搜索引擎优化内容(上文《搜索引擎原理SEO优化上首页之蜘蛛Spider》详细介绍)

　　搜索引擎优化内容(上文《搜索引擎原理SEO优化上首页之蜘蛛Spider》详细介绍)

　　以上《首页蜘蛛上的搜索引擎原理SEO优化》详细介绍了蜘蛛的分类、爬取入口、爬取策略和更新策略。搜索引擎已经检索到页面，接下来就是分析页面内容，主要包括判断页面类型、提取页面主题、去除页面噪音、去除停用词、中文分词注册统计、去除重复构建 关键词 索引库。

　　1. 确定页面类型

　　判断页面是普通页面还是PDF、WPS、PPT、TXT等特殊页面；区分文字、图片、视频等内容形式，识别页面网站论坛、商城、视频站、文字站等。

　　2. 提取页面主题

　　目前搜索引擎基本不识别JS、Ajax、Flash、图片、视频、frame和iframe框架结构的内容，主要是抓取文本处理，通过文本关键词检索信息。提取页面级特征内容，如网页Title、Keywords、Deion等。这些特征在网页内容的相关性中占很大比例，一般情况下，也表明了网页的主题。

　　3. 去除页面噪音

　　剔除无关广告、登录框、版权声明等噪音内容，提取主题内容。这部分不是很严谨，各个搜索引擎的处理也不一样。一般来说，推荐内容、锚文本、导航等还是很有价值的。

　　4. 中文分词

　　分词是中文搜索引擎独有的一步。搜索引擎需要识别哪些词可以组合成词。每个搜索引擎都有自己的海量词库。基于词库匹配，对网页内容进行划分。例如，“旅游景点推荐”可以分为“旅游/景点/推荐”或“旅游/景点推荐”等结果。中文分词主要包括基于字典的匹配和基于统计的方法。他们有自己的优点和缺点。在实践中，这种方法结合使用，不仅可以快速高效，还能识别生词，消除歧义。

　　百度搜索引擎可以通过截图页面关键词查看输入的文字分为哪些内容，如下

　　分词的目的是了解页面的内容。会先去掉 le、de、ah、ba 等停用词，让网页文字的主题内容更加突出。当然，虚词也不是绝对的。例如，在以“啊”为主题介绍单词读音、含义和用法的新华词典页面中，“啊”就是主题关键词。关键词排名优化就是不断跟踪分析搜索引擎词和历史数据。

　　5. 统计分析页面

　　分词后，搜索引擎会统计页面中每个单词的出现次数并计算密度，以便搜索引擎识别页面内容的相关性。建议您 关键词 布局密度在 2% 到 8% 之间。如果太低，则容易被识别为主题内容相关性低。如果太高，可能会被认为是关键词堆叠作弊，容易受到惩罚。

　　内容相关性，除了网页Title、Keywords、Deion，还有词密度，H标签（H1标签也很重，一般用于文章标题，H2、H3标签也略有效，一般用于分类段落主题，H4后无效），加粗标记的内容会明显比其他普通内容更受重视。此外，核心 关键词 在页面前面比在后面显示得更好。锚文本链接相关性作为重要的数据采集分析。

　　6. 去重索引

　　搜索引擎喜欢 原创 内容，但不喜欢大量重复的内容页面。完成以上步骤后，就可以识别页面内容的特征，去除重复的内容页面。

　　经过上述过程，页面关键词的集合已经记录下来，词频、位置、格式（H标签、粗体、锚文本）等权重因素都记录下来了，搜索引擎会列出page 和 关键词 创建一个索引结构。索引有两种结构：正向索引结构和倒排索引结构。在前向索引结构中，每个文件对应一个文件ID，文件内容表示为关键词的集合。

　　通过关键词检索搜索引擎的用户。前向索引不利于查询效率。搜索引擎会将正向索引转换为倒排索引。倒排索引结构是 关键词 到文档集合的映射。只有被索引的页面才会被用户检索。

　　收录 和索引

　　收录：只要能被搜索引擎蜘蛛抓取，经过分析，认为有价值的页面就是收录。

　　索引：搜索引擎有收录已经分页的页面，他们认为内容对用户有意义，从而可能被索引，产生流量。网站排名优化是基于已经被索引的页面。

　　精灵工作室提醒大家，只要网站结构清晰，内容有价值，内容定期更新网站，那么站长平台就可以提交链接，发送外链，提升搜索引擎的网站网站@收录和索引量，2~7天优化首页SEO是很有可能的。

　　百度优先创建索引的原则

　　百度蜘蛛爬取的页数不是最重要的，而是索引了多少页。搜索引擎的索引库是分层的。高质量的网页将分配到重要的索引库，普通网页将留在普通库，较差的网页将分配到低级库作为补充资料。目前，60%的检索需求只需要调用重要的索引库就可以满足，这也是为什么有些网站的收录的大流量和流量并不理想的原因。

　　进入优质索引库的前提是对用户的价值。包括但不仅限于：

　　(1）时间敏感且有价值的页面

　　（2）具有高质量内容的特殊页面

　　（2）高价值原创内容页面

　　(4）重要的个人页面

　　哪些页面不能被索引

　　上面提到的优质网页都进入了索引库，所以其实网上的大部分网站都没有被百度收录列出来。不是百度没找到，而是建库前的筛选过程中被过滤掉了。第一个链接被过滤：

　　(1）内容重复的页面

　　(2）部分内容使用了百度蜘蛛无法解析的技术，如JS、Ajax、Flash、图片、视频等。

　　(3）页面加载缓慢

　　（4）很多没有突出主题的网页。