优化思路：搜索引擎算法之复制网页_SEO优化教程

推荐：关于搜索引擎工作原理
全文搜索引擎在搜索引擎分类部分我们提到过全文搜索引擎从网站提取信息建立网页数据库的概念。定期搜索搜索引擎的自动信息搜集功能分两种。一种是定期搜索，

搜索引擎判定复制网页一般都基于这么一个思想：

为每个网页计算出一组信息指纹（Fingerprint），若两个网页有一定数量相同的信息指纹，则认为这两个网页的内容重叠性很高，也就是说两个网页是内容复制的。

很多搜索引擎判定内容复制的方法都不太一样，主要是以下两点的不同：

1、计算信息指纹（Fingerprint）的算法；

2、判定信息指纹的相似程度的参数。

在描述具体的算法前，先说清楚两点：

1、什么是信息指纹？

信息指纹就是把网页里面正文信息，提取一定的信息，可以是要害字、词、句子或者段落及其在网页里面的权重等，对它进行加密，如MD5加密，从而形成的一个字符串。信息指纹如同人的指纹，只要内容不相同，信息指纹就不一样。

2、算法提取的信息不是针对整张网页

而是把网站里面共同的部分如导航条、logo、版权等信息（这些称之为网页的“噪音”）过滤掉后剩下的文本。

分段签名算法

这种算法是按照一定的规则把网页切成N段，对每一段进行签名，形成每一段的信息指纹。假如这N个信息指纹里面有M个相同时（m是系统定义的阙值），则认为两者是复制网页。

这种算法对于小规模的判定复制网页是很好的一种算法，但是对于像google这样海量的搜索引擎来说，算法的复杂度相当高。

基于要害词的复制网页算法

像google这类搜索引擎，他在抓取网页的时候都会记下以下网页信息：

1、网页中出现的要害词（中文分词技术）以及每个要害词的权重（要害词密度）。

2、提取meta descrīption或者每个网页的512个字节的有效文字。

关于第2点，baidu和google有所不同，google是提取你的meta descrīption，假如没有查询要害字相关的512个字节，而百度是直接提取后者。这一点大家使用过的都有所体会。

在以下算法描述中，我们约定几个信息指纹变量：

Pi表示第i个网页；

该网页权重最高的N个要害词构成集合Ti={t1,t2,...tn}，其对应的权重为Wi={w1,w2,...wi}

摘要信息用Des(Pi)表示，前n个要害词拼成的字符串用Con(Ti)表示，对这n个要害词排序后形成的字符串用Sort(Ti)表示。

以上信息指纹都用MD5函数进行加密。

基于要害词的复制网页算法有以下5种：

1、MD5(Des(Pi))=MD5(Des(Pj)),就是说摘要信息完全一样，i和j两个网页就认为是复制网页。

2、MD5(Con(Ti))=MD5(Con(Tj)),两个网页前n个要害词及其权重的排序一样，就认为是复制网页。

3、MD5(Sort(Ti))=MD5(Sort(Tj)),两个网页前n个要害词一样，权重可以不一样，也认为是复制网页。

4、MD5(Con(Ti))=MD5(Con(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则认为两者是复制网页。
5、MD5(Sort(Ti))=MD5(Sort(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则认为两者是复制网页。

关于第4和第5的那个阙值a,主要是因为前一个判定条件下，还是会有很多网页被误伤，搜索引擎开发根据权重的分布比例进行调节，防止误伤。

这个是北大天网搜索引擎的去重算法（可以参考：《搜索引擎--原理、技术与系统》一书），以上5种算法运行的时候，算法的效果取决于N，就是要害词数目的选取。当然啦，选的数量越多，判定就会越精确，但是谁知而来的计算速度也会减慢下来。所以必须考虑一个计算速度和去重准确率的平衡。据天网试验结果，10个左右要害词最恰当。

分享：搜索引擎优化中的细节问题
在搜索引擎优化时，越是简单的页面，越要重视细节的优化，因为页面简单，可调整的结构、栏目等比较少，所以做好细节就越发显得重要了。而这些细节，包括了首页