一，网页去重" p$ M& @, T% N* w' i
% h% e% |- P G2 y
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。
3 j4 h( Z* J$ W2 B2 @6 x! l. r6 }: q# A2 v* }
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。3 ~. R2 g, a5 z( g! w3 R
* }4 U% j. S' H/ ]8 V2 i; q4 k) a二，信息结构化
; g& V# e( D& i9 }) ?2 f. I* x; I1 K6 y; H
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。4 V- \6 H! {0 B6 P. G
' s. ?# q- T/ G+ m三，查重技术
. [* Y& x: J& R" t8 _! M6 x; `( { v8 i0 Q6 _4 V
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。
- J( ?- j' n* H/ {0 ^) U( l2 j, ~* `% D
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。% z7 a% w+ H7 ], o: e. B/ |
4 m2 W3 e& Q+ Z& i4 @四，网页消重$ x6 c5 |, g- W) a& |
3 ?7 C, }- q4 c" b7 A, E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：
; `7 ?3 H. |; g% \# i6 P8 m8 O( r6 k4 `3 ]" U
（1）追踪文章的原创，保留原创。7 B4 }2 g: a% ^/ R
（2）保留用户多，曝光率较大的页面，使页面发挥最大价值。9 w; F: g, o. N2 b
（3）保留最先被收录的页面，这样也是一定程度上保护版权。" s& J2 u1 D1 p: ~
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。2 v! w1 r5 x, j* c6 `
, k K; h+ I8 o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 `9 u' W' p
' j2 y) c2 q7 a) |; A |
