一，网页去重. a# d) k `( [0 ~3 P
6 I. W3 ^+ R% }
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。
$ O1 p, d$ a* W1 E8 G- A# y0 `8 R% w$ j2 I9 u* A1 U' J& f) Y
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。
2 a# W5 E# P4 B3 ~" J8 r4 o
5 U0 T5 J" _! V' M- M二，信息结构化) H; `1 J/ Q |; h! N& E
[! J& H7 h4 x+ t- I9 M, ]" 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。
4 K9 y0 s4 n( {/ p0 s* O# [7 {4 r* R
三，查重技术
& m* O7 z; e+ @, |+ o- k6 ]% Q; L, B2 t, f
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。+ } K$ k9 Q$ B, [, l
# p- D# s9 f- y: j: R
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。
* p3 e* t2 Y. y+ P) D0 r4 g: g' J
四，网页消重 D& E) M0 K# e
% D! l0 I' S; v6 G9 a, _8 D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：
% L0 B1 w; l. J& |2 m" o; _5 D. T& P# W
（1）追踪文章的原创，保留原创。" i; e, g2 l3 Q/ D. Z `; U! F6 Y
（2）保留用户多，曝光率较大的页面，使页面发挥最大价值。+ V7 M% [+ @+ x5 i
（3）保留最先被收录的页面，这样也是一定程度上保护版权。
' O$ N5 m8 G+ n; 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。
9 o; K! h) }& C: {" n) `, n1 g8 Z4 F! P, D
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。: r6 B- g0 Q: c! Z2 k/ ^
( M7 s5 n( ]1 q1 O% V: D* r
|
