搜索引擎抓取内容之后会收录至数据库中，当用户进行检索搜索引擎会将收录的内容呈现给用户，为了快速的将内容呈现给用户，搜索引擎需要对已经抓取到的内容进行处理，只留下重点信息，这样能够在用户发起检索的时候快速的将所需内容呈现出来。( ?' ]- I( S% L/ V T
7 p) w ^$ r, k6 P+ D/ ^ v
# k+ R5 X3 w5 d1 \7 z- n
那么搜索引擎对蜘蛛抓取回来的页面进行处理主要有4个步骤。: U& _4 h1 O) [$ F! f; C/ z
第一：判断该页面的页面类型
3 N1 r# `( U! O判断页面是正常的普通网页还是PDF等特殊文件文档。普通网页会区分是论坛、普通文章还是视频等内容，方便后期更快的呈献给用户8 N; e" O9 E! I! u1 e C
第二：提取网页的文本信息
3 s+ Z+ i) S, S4 F$ s站长们都知道搜索引擎无法识别JavaScript、Flash、图片、视频等内容，虽然一直在努力的识别这些信息，但是更多的还是依靠提取网页TDK来进行识别，虽然keyword标签已经被主流搜索引擎抛弃，但是还是会有一定的参考借鉴的。 w" B5 L& \7 ^' z2 Y, b, e
4 N9 R k1 W! `! ]* f8 b! n. i7 z
第三：去除页面噪音 y* ^. P4 d, N
前面有两三篇文章，提到页面信噪比的问题，信噪比就是页面主题内容与干扰信息的比例，搜索引擎会去掉与该页面无关的广告、导航、链接等各类信息，提取网页的主体内容。 相关搜搜的在一定程度上也会被算作本页的内容，所以更好的利用想过搜索不但可以提高页面质量，还可以增加与用户搜索的匹配程度。# M: b- l2 E- b
% n& t( x; ^( z2 [& b' m% G3 G' Q0 P0 a$ @. }9 k
: F' B+ @# _" E! c( K) J第四：去除页面内容停止词
' T, n& t; p3 @8 q( i去除页面停止词其实是搜索引擎分词处理，今天主要讲停止词，也就是页面中“的”“啊”等词语，来减少搜索引擎的计算量。 |
