一，网页去重
' N* U' k7 I0 z* A( P1 u6 W
: h( L- }$ e* w7 o2 W, ?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。
$ ]: S3 q* f$ C/ h
' e4 |8 Y0 |" I }! O' f. x R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。
! @% H8 T, r; k
8 ^) c/ b; B( k6 R, r二，信息结构化
# Z# y$ d: }8 N1 f% C
* m, I0 E7 v! _( h2 v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。
0 u, c7 ?; n8 z# N
8 n3 n5 w j9 z/ \: k7 a6 b三，查重技术
9 {+ C V* @& ^6 q1 I6 \: P5 f9 @, o9 G& X) N6 _
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。
0 E$ P1 j! d; J. j( }/ P& ]) ^3 s- O E9 Z9 Z9 {) h3 E
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。
8 Q/ E X6 u2 \/ ^ i# k6 J( G. ], G" j
四，网页消重
/ Y' C0 r1 K% F. W+ g7 a7 B! {2 k/ f6 A- k
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： i8 Y4 v" H; H& [4 s& o' C
& B5 x- c% \/ V2 D' b（1）追踪文章的原创，保留原创。
6 a+ l7 u$ |, @# w- s（2）保留用户多，曝光率较大的页面，使页面发挥最大价值。
5 b1 D3 ?0 r9 A h3 J$ b5 ]; t（3）保留最先被收录的页面，这样也是一定程度上保护版权。6 x4 J3 ^) Z. q
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。3 g/ e3 f6 Z0 f: \$ _
! P# H) ~) T5 c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。
/ a' ]$ g/ I: |% c2 i
- T7 I1 i0 \. k4 \8 g+ U3 ]) O |
