seo教程:搜索引擎优化入门与进阶(第2版)电子版(与seo搜索引擎的工作的过程，而简单的讲搜索引擎)

　　seo教程:搜索引擎优化入门与进阶(第2版)电子版(与seo搜索引擎的工作的过程，而简单的讲搜索引擎)

　　搜索引擎工作流程和seo

　　搜索引擎的工作过程非常复杂，简单来说，搜索引擎的工作过程大致可以分为三个阶段。

　　爬行和爬行

　　爬取和爬取是搜索引擎工作完成数据采集任务的第一步。

　　蜘蛛

　　搜索引擎用来抓取和访问页面的程序称为蜘蛛程序或机器人程序。

　　蜘蛛代理名称：跟踪链接

　　为了在网络上抓取尽可能多的页面，搜索引擎蜘蛛会跟随页面上的链接从一个页面爬到下一个页面，就像蜘蛛在蜘蛛网上爬行一样。这就是名称搜索引擎蜘蛛的由来。最简单的爬行遍历策略分为两种，一种是深度优先，一种是广度优先。

　　深度优先搜索

　　深度优先搜索是在搜索树的每一层总是只扩展一个子节点，并继续深度推进，直到不能再推进（到达叶节点或受深度限制）才从当前节点返回到上一个节点。继续向另一个方向前进。这种方法的搜索树是从树的根部逐个分支逐渐形成的。

　　深度优先搜索也称为垂直搜索。由于一棵可解问题树可能收录无限分支，如果深度优先搜索误入无限分支（即深度无限），则无法找到目标节点。因此，深度优先搜索策略是不完整的。另外，应用该策略得到的解不一定是最佳解（最短路径）。

　　广度优先搜索

　　在深度优先搜索算法中，首先扩展具有较大深度的节点。如果将算法改为根据搜索中节点的级别进行搜索，如果不搜索和处理该层的节点，则无法处理较低的节点，即先展开深度较小的节点，也就是说可以先扩展第一个节点，这种搜索算法称为广度优先搜索法。

　　在深度优先搜索算法中，首先扩展具有较大深度的节点。如果将算法改为根据搜索中节点的级别进行搜索，如果不搜索和处理该层的节点，则无法处理较低的节点，即先展开深度较小的节点，也就是说可以先扩展第一个节点，这种搜索算法称为广度优先搜索法。

　　吸引蜘蛛

　　哪些页面被认为更重要？有几个影响因素：

　　（1)手动输入的*敏*感*词*网站。（2)蜘蛛抓取页面后，从HTML中解析出新的链接uRL，与地址库中的数据进行比较。如果它是一个地址，不在数据库中的URL存储在地址数据库中以供访问。（3)站长通过搜索引擎网页提交表单提交的URL。

　　蜘蛛根据重要性从待访问地址库中提取uRL，访问取页面，然后从待访问地址库中删除该uRL，放入访问地址库中。

　　大多数主要搜索引擎都为网站管理员提供了一个表单来提交 URL。但是，这些提交的 URL 仅存储在地址数据库中。是否收录取决于页面的重要性。搜索引擎收录的大部分页面都是蜘蛛自己通过链接获取的。可以说提交页面基本没用，搜索引擎更喜欢自己沿着链接发现新页面。

　　文件存储搜索引擎蜘蛛抓取的数据存储在原创页面数据库中。页面数据与用户浏览器获取的 HTML 完全相同。每个 uRI 都有一个唯一的文件编号。

　　爬取过程中的复制内容检测复制内容的检测和删除通常在下面描述的预处理过程中进行，但现在蜘蛛在爬取和爬取文件时也会进行一定程度的复制内容检测。当在网站上遇到大量转发或抄袭，权重极低的内容时，很可能无法继续爬取。这就是为什么有些站长在日志文件中发现蜘蛛的原因，但页面从未真正收录。

　　预处理

　　在一些SEO材料中，“预处理”也被称为“索引”，因为索引是预处理中最重要的一步。

　　搜索引擎蜘蛛抓取的原创页面不能直接用于查询排名处理。搜索引擎数据库中的页面数在万亿以上。用户输入搜索词后，排名程序会实时分析这么多页面的相关性，计算量太大，一两秒内返回排名结果。因此，必须对抓取的页面进行预处理，为最终的查询排名做准备。

　　和爬虫一样，预处理是在后台提前完成的，用户在搜索的时候不会感觉到这个过程。

　　提取文本

　　当前的搜索引擎仍然基于文本内容。蜘蛛抓取的页面中的HTML代码除了用户在浏览器上可以看到的可见文本外，还收录大量HTML格式标签、JavaScript程序等无法用于排名的内容。搜索引擎预处理首先要做的是去除HTML文件中的标签和程序，提取网页的文本内容，用于排名处理。

　　今天愚人节

　　去掉HTML代码后，剩下的排名文字就是这一行：

　　今天愚人节

　　除了可见文本，搜索引擎还会提取一些收录文本信息的特殊代码，例如Meta标签中的文本、图片的替代文本、Flash文件的替代文本、链接锚文本等。

　　中文分词

　　分词是中文搜索引擎独有的一步。搜索引擎存储和处理页面，用户搜索基于单词。英语等语言中词与词之间存在空格，搜索引擎索引程序可以直接将句子分成词组。但是，中文单词之间没有分隔符，句子中的所有字符和单词都连接在一起。搜索引擎首先要区分哪些字符构成一个词，哪些词本身就是一个词。例如，“减肥方法”将分为“减肥”和“方法”两个词。

　　中文分词方法基本上有两种，一种是基于词典匹配，一种是基于统计。

　　基于字典匹配的方法是指将一段待分析的汉字与预先建立的字典中的一个词条进行匹配。从待分析的汉字字符串中扫描字典中已有的词条会匹配成功，或者截断一个词。

　　根据扫描方向，基于字典的匹配方法可分为正向匹配和反向匹配。根据匹配长度的优先级，可分为最大匹配和最小匹配。首先混合扫描方向和长度，可以生成前向最大匹配和反向最大匹配等不同的方法。

　　字典匹配法计算简单，其准确性在很大程度上取决于字典的完整性和更新性。

　　基于统计的分词方法是指对大量文本样本进行分析，计算相邻单词出现的统计概率。相邻出现的单词越多，形成单词的可能性就越大。基于统计的方法的优点是对新出现的词反应更快，也有利于消除歧义。

　　基于词典匹配和统计的分词方法各有优缺点。实际使用中的分词系统混合使用了两种方法，快速高效，可以识别新词和新词，消除歧义。

　　中文分词的准确性往往会影响搜索引擎排名的相关性。例如，在百度上搜索“搜索引擎优化”时，从快照中可以看出，百度将“搜索引擎优化”这六个词视为一个词。

　　在谷歌上搜索同一个词时，快照显示谷歌将其分为两个词：“搜索引擎”和“优化”。显然，百度的细分更合理，搜索引擎优化是一个完整的概念。在分词方面，谷歌往往更加分散。

　　这种分词的差异，可能也是一些关键词排名在不同搜索引擎中表现不同的原因之一。例如，百度更喜欢完全匹配页面上的搜索词。也就是说，在搜索“狗西博客”时，如果这四个词连续完整地出现，更容易在百度上获得好的排名。谷歌与此不同，不需要完全匹配。在某些页面上，“国剧”和“博客”两个词出现，但不一定完全匹配。“国剧”出现在最前面，“博客”出现在页面的其他地方。在谷歌搜索“国剧博客”这样的页面，也可以获得不错的排名。

　　搜索引擎对页面的分词取决于词库的大小和准确率以及分词算法的质量，而不是页面本身，所以SEO人员很少能做分词。唯一能做的就是使用某种形式在页面上提示搜索引擎。某些词应视为一个词，尤其是在可能存在歧义的情况下，例如页面标题、h1 标签和粗体关键词。如果页面是关于“和服”的内容，那么“和服”两个字可以专门用粗体标出。如果页面是关于“化妆和服装”的，你可以用粗体标记“服装”这个词。这样搜索引擎在分析页面的时候，就知道加粗的那个词应该是一个词。

　　去停词

　　无论是英文还是中文，页面内容中都会出现一些频繁出现但对内容没有影响的词，如“的”、“地”、“得”等辅助词“啊”、 “哈” 感叹词如“雅”，副词或介词如“因此”、“以”和“缺”。这些词被称为停用词，因为它们对页面的主要含义几乎没有影响。英语中常见的停用词包括 the、a、an、to、of 等。

　　搜索引擎会在索引页面前去除这些停用词，使索引数据的主题更加突出，减少不必要的计算。

　　消除噪音

　　大多数页面上还有一部分内容对页面主题贡献不大，如版权声明文字、导航栏、广告等。以常见的博客导航为例，导航内容如文章 类别和历史档案几乎出现在每个博客页面上，但这些页面本身与“类别”和“历史”这两个词无关。当用户搜索“历史”和“类别”关键词时，仅仅因为这些词出现在页面上而返回博客帖子是毫无意义和完全无关的。因此，这些块都是噪音，只能在页面的主题中起到分散作用。

　　搜索引擎需要识别并消除这些噪音，排名时不使用噪音内容。去噪的基本方法是根据HTML标签将页面分成块，区分页眉、导航、正文、页脚、广告等区域。网站 上的大量重复块往往是噪音。页面去噪后，剩下的就是页面的主要内容了。

　　重复数据删除

　　搜索引擎还需要对页面进行重复数据删除。

　　相同的文章经常重复出现在不同的网站上，相同的网站出现在不同的网址上。搜索引擎不喜欢这种重复的内容。用户搜索时，如果在前两页看到同一篇文章文章来自不同的网站，用户体验太差了，虽然都是内容相关的。搜索引擎希望在同一个文章中只返回一篇文章，因此需要在索引前识别并删除重复的内容。此过程称为“重复数据删除”。

　　去重的基本方法是计算页面特征的指纹关键词，即选择页面主要内容中最具代表性的部分关键词（往往是出现频率最高的关键词），然后计算这些 关键词 数字指纹。这里关键词的选择是经过分词、去停用词、降噪后的。实验表明，通常选择10个特征关键词可以达到较高的计算精度，选择更多的词对去重精度的提高贡献不大。

　　典型的指纹计算方法是MD5算法（信息摘要算法第五版）。这类指纹算法的特点是输入（特征关键词）的任何微小变化都会导致计算出的指纹出现很大的差距。

　　了解搜索引擎的去重算法，SEO人员应该知道，简单的加“的”、“地”、“得”，改变段落的顺序，也就是所谓的伪原创，逃不过搜索的去重引擎。算法，因为这样的操作无法改变文章关键词的特性。而且，搜索引擎的去重算法很可能不仅仅在页面层面，而是在段落层面。混用不同的文章，交叉改变段落顺序，不会让转载抄袭成为原创。

　　远期指数

　　前向索引也可以简称为索引。

　　经过文本提取、分词、去噪和去重后，搜索引擎获得了反映页面主要内容的独特的、基于词的内容。接下来，搜索引擎索引程序可以提取关键词，根据分词程序，将页面转换成一组关键词，并记录每个关键词在页面上的频率、数量出现次数、格式（如标题标签、粗体、H 标签、锚文本等）、位置（如页面的第一段等）。这样就可以将每一页记录为一串关键词集合，其中还记录了每个关键词的词频、格式、位置等权重信息。

　　搜索引擎索引程序将词汇结构中的页面和关键词存储到索引数据库中。索引词汇的简化形式如表2-1所示。

　　每个文件对应一个文件ID，文件的内容表示为一组关键词。事实上，在搜索引擎索引库中，关键词也被转换为关键词 ID。这种数据结构称为前向索引。

　　倒排索引

　　前向索引不能直接用于排名。假设用户搜索关键词 2，如果只有前向索引，排序程序需要扫描索引库中的所有文件，找到收录关键词 2的文件，然后进行关联计算。这个计算量不能满足实时返回排名结果的要求。

　　因此，搜索引擎会将正向索引数据库重构为倒排索引，将文件到关键词的映射转换为关键词到文件的映射，如表2-2所示。

　　在倒排索引中，关键词为主键，每个关键词对应一系列文件，而这个关键词出现在这些文件中。这样，当用户搜索某个关键词时，排序程序在倒排索引中定位到这个关键词，可以立即找到所有收录这个关键词的文件。

　　链接关系计算

　　链接关系计算也是预处理中非常重要的一部分。现在所有主流搜索引擎排名因素都包括网页之间的链接流信息。搜索引擎抓取页面内容后，必须提前计算：页面上的哪些链接指向其他页面，每个页面上有哪些导入链接，链接中使用了哪些锚文本。这些复杂的链接指向关系构成了网站和页面的链接权重。

　　谷歌PR值是这种链接关系最重要的体现之一。其他搜索引擎也执行类似的计算，尽管它们不称为 PR。

　　由于页面和链接数量庞大，互联网上的链接关系不断更新，因此链接关系和PR的计算需要很长时间。PR和链接分析有专门的章节。

　　特殊文件处理

　　除了 HTML 文件，搜索引擎通常可以抓取和索引多种基于文本的文件类型，例如 PDF、Word、WPS、XLS、PPT、TXT 文件等，我们经常在搜索结果中看到这些文件类型。但是，当前的搜索引擎无法处理图像、视频和Flash 等非文本内容，也无法执行脚本和程序。

　　尽管搜索引擎在识别图片和从Flash中提取文本内容方面取得了一些进展，但离通过阅读图片、视频和Flash内容直接返回结果的目标还很远。图片和视频内容的排名往往是基于相关的文字内容。有关详细信息，请参阅下面的集成搜索部分。

　　秩

　　搜索引擎蜘蛛爬过界面后，搜索引擎程序计算倒排索引，搜索引擎随时准备处理用户搜索。用户在搜索框中填写关键字后，排名程序调用索引数据库数据，计算排名并展示给客户。排名过程与客户直接互动。