一，网页去重$ k C; ?1 i( @* E- v
7 D( t _/ Y6 d | z1 b6 b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。/ x7 }& u: Y, K2 m
8 q5 J. e# ]/ F: C" n* M( G7 C
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 L* ^7 S+ m, s9 K! R8 i7 ]1 Z! \: i' Q* G* ^) u# w% R8 C F
二，信息结构化, C- d. V& X8 A# U: b0 r% ?+ y. n+ y
1 t: \ S& V, V' z W
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。
( k5 ~6 Y- ~+ ^( d& w1 H+ n- F: A9 o* T% d( v( p) ^
三，查重技术
5 k) K; A2 S9 D; g0 @! Y
) H! w, C9 a0 c( T! 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。
[0 q+ n2 ]2 z" V2 ^/ P& Y- y: d* S6 g
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。
' X0 C2 L) C- x/ t( |+ @' H" s* M# T+ t( j5 u$ k
四，网页消重
( ?+ j8 ?% e7 o. l6 I/ D: ^
0 L" B) L6 Q6 Y5 x" F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：) H y( R8 h; ?
' I4 H& [2 Q: O. h* p（1）追踪文章的原创，保留原创。) o% p$ e5 t. r8 ^* c0 o2 K6 E, Y% g" H6 Q
（2）保留用户多，曝光率较大的页面，使页面发挥最大价值。
* l7 r) U% x$ f' p% v（3）保留最先被收录的页面，这样也是一定程度上保护版权。8 A- h9 }5 Y3 Q3 u2 z& T+ Q( 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。5 z9 N2 j' X) f$ U N+ Y8 P
# ^) N/ \4 T( \; T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。
1 w# z9 L, R2 j: Q5 R, u
5 R( Q2 Q' U% {0 r+ c3 U+ w |
