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。 4 t8 Q% R O) ]' p
% k; n( x1 @5 T; l9 ?& l! |) y
3 U! v$ D6 a' K Q0 k6 ]4 u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。 1 I( V5 Y& H5 e' p第一：判断该页面的页面类型4 b8 J( s/ L8 c6 z- S) q
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) m; o$ r: ^6 u& y* q6 X
第二：提取网页的文本信息. V l$ G8 R N3 w( v
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( U6 ?6 t* L5 w$ R8 y3 J
' W! Y7 R2 X$ l' S. x, c ~ c/ N/ T$ C
第三：去除页面噪音8 g' ^# r8 U" E9 l
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。* i' B( k" X h5 _. M8 j
+ }1 l W' N. H. z7 i ( e$ c" _# j2 q 7 v X u( T* s8 P- [第四：去除页面内容停止词 * b n4 w. {" n" N, A- y. X5 s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。
