一，网页去重
m. v# i* u4 ~ |: t2 Q9 ? ~) i, |4 G6 j0 g: V) }
并不是蜘蛛每抓取到一个新的页面就会添加索引（收录），而是要考虑这个网页有没有收率的价值，影响要不要收录某一已抓取下来的网页，一个比较重要的问题是：页面的重复度。: B3 B: B8 q% S6 a8 k
: |; h, p& {! g1 i2 d4 v- M$ E6 m4 x如果同一篇文章，或者具有高度相似度的文章，被多次收录，查询对应关键词是展现的搜索结果用户感兴趣的大部分的前5名，同一篇文收录太多是浪费搜索引擎服务器资源，并且也不能很好地维护原创，搜索引擎就无法给用户提供最新信息。4 N( O" \7 T" O. t& i8 J* A
( ?0 Y( y/ |- @! m i$ U) W4 W' A' d
二，信息结构化* s/ Z2 [ J5 _( y
; c) g+ H- z$ o0 C0 w, u, d, h! U5 Q6 D
爬取程序从互联网上下载页面资源添加到网页库，这个页面包含图片，锚文本，正文…等等信息。搜索引擎需要对网页信息结构化。获得网页中的：页面标题，锚文本，正文标题，正文…由此可见，一个网站所有页面标题都一样有多么可怕。
6 q9 E. p3 r2 C! |2 `: m( u
; q0 A6 I) z& ?$ `6 x0 u: M# y9 Y2 B三，查重技术) X" H, w5 f5 X: D8 _: E
: U- c" A D& p0 F% [2 Z2 w
这里并不是给大家介绍详细的搜索引擎进行网页查重的技术，举一个例子—要想知道两个网页的重复度，参考出现频率高和频率低的关键词是没有多少价值的，可以这样做：一篇文章中去除使用高频率的词jich.net boxuelun.com huayueting1.com，像我们，可能，但是，…这样的词，去除使用频率低的词，像四爷爷，红太郎，李白…两篇文章的中平率词进行对比。大家进行伪原创的时候，喜欢用“然而”代替“但是”，用“咱俩”代替”我们“。其实这些并不是搜索引擎查重的对象，如果进行再深度的高度伪原创，那就付出的代价也不少了。: A* B, ?0 T6 {% e
9 {) r/ M; F0 E4 b0 v( B4 S以上只是一个例子，搜索引擎判断两篇文章相似度的方法有非常多，不付出稍微高成本的伪原创基本是不行的，高质量的伪原创相当于对原文的修饰，使其更适合读者阅读，也算是高质量的文章。
( w3 Y/ l b) s: j! z
/ {$ L" u- C7 J+ F. w& {四，网页消重, z3 U# L w7 h4 o, y, [3 }; V. M6 p
g) O4 ]. `* ]5 o. e6 Z Q& w; G
两个相似度非常高或者重复的文档，搜索引擎应该去掉哪一个，保留哪一个呢？一般有下面三种情况：) l3 ^2 A) p. g2 O& u2 Y5 O% x. `
8 b' t1 O: ^7 s（1）追踪文章的原创，保留原创。
1 I7 {( Y% K; `( U {. w（2）保留用户多，曝光率较大的页面，使页面发挥最大价值。
$ E! e) m' V, e（3）保留最先被收录的页面，这样也是一定程度上保护版权。4 m$ k2 t' h! A# N r/ ^
对于百度搜索引擎来说，我们看到的现象是2和3两种情况，网页消重，但是并不是绝对允许重复收录，我们去搜索一下还是有很多重复的文章。+ {, X K( K* \& q O
) c# ?; c/ m2 }" f$ K9 M$ @追踪文章的原创出处，消耗大，而且不准确。保留用户多的页面，使网页多次被检索到，对搜索引擎的用户体验也是非常有利的，最先被收录的页面可以被认为伪原创页面。这样，我们经常会发现同一篇文章实际上被收录很多，是因为原创被保留，大平台转载的也保留。! d7 z; Z# y9 o# m
I# J* d4 A' J/ S$ M6 w |
