seo优化教程ppt(营商环境优化提升)_好文分享

上篇文章我们大概介绍了搜索引擎工作原理，与我们关系最大的还是搜索引擎的预处理规则，他的规则是什么呢?

搜索引擎蜘蛛抓取的原始页面，并不能直接用于查询排名处理，搜索引擎数据库中的页面都在数万亿级别以上，用户输入搜索词后，靠排名程序实习对这么多页面分析相关性，计算量太大，不可能在一两秒内返回结果，所以必须对抓取来的页面进行预处理，为最后的查询排名做好准备。

搜索引擎预处理-九大规则

1、提取文字

2、中文分词

3、去停止词

4、去处噪音

5、去重

6、正向索引

7、倒序索引

8、链接关系计算

9、特殊文件处理

搜索引擎工作原理（预处理）

1、提取文字

现在的搜索引擎还是以文字内容为基础，蜘蛛抓取到的页面中的HTML代码，除了用户在浏览器上可以看到的可见文字处，还包含了大量的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就是从HTML文件中去除标签、程序，提取出可以用于排名处理的网页面文字内容。

比如这段代码：

<h2><a href=“http://www.huatu.com/seobog/2010/04/01/fools-day/” href=“bookmark”

Title=“Permanent Link to 今天愚人节哈”>今天愚人节哈 </a></h2>

除去HTML代码后，剩下的用于排名的文字只有这一句：今天愚人节哈

2、中文分词

分词是中文搜索引擎特有的步骤。搜索引擎存储和处理页面及用户搜索都是以词为基础的。英文等语言单词与单词之间有空格分隔，搜索引擎索引程序可以直接把句子划分为单词的集合。而中文词与词之间没有任何分隔符，一个句子中所有字和词都是连在一起的。搜索引擎必须首先分辨哪几个词组成一个词，哪些字本身就是一个词。比如“公务员考试”将被分词为“公务员”和“考试”两个词。

中文分词方法基本上有两种，一种是基于词典匹配，另一种是基于统计。

基于词典匹配：将待分析的一段汉字与一个事先选好的词典中的词条进行匹配，在待分析汉字串中扫描到词典中已有一词条匹配成功，或者说切他出一个单词。

基于统计匹配：分析大量文字样本，计算机出字与字相邻出现的统计概率，几个字相邻出现越多，就越可能形成一个单词。基本统计的方法的优势是对新出现的词反应更快速，有利于消除歧义。

3、去停止词

无论是英文还是中文，页面内容中都会有一些出现频率很高，却对内容没有任何影响的词，如“的”、“地”、“得”之类的助词，“阿”、“哈”、“呀”之类的感叹词，“从而”、“以”、“却”之类的副词或介词。这些词被称为停止词，因为它们对页面的主要意思没什么影响。英文中的常见停止词有the ,a ,an ,to ,of 等。

搜索引擎在索引页面之前会去掉这些停止词，使索引数据主题更为突出，减少无谓的计算量。

4、去除噪音

搜索引擎需要识别并消除这些噪声，排名时不使用噪声内容。消噪的基本方法是根据HTML标签对页面分块，区分出页头、导航、正文、页脚、广告等区域，在网站上大量重复出现的区块往往属于噪声。对页面进行消噪后，剩下的才是页面主体内容。

5、去重

去重的基本方法是对页面特征关系词计算指指纹，也就是说从页面主体内容中选取最有的一部分关键词（经常是出现频率最高的关系词），然后计算这些关键词的数字指纹。这些关键词选取是在分词、去停止词、消噪之后。通常选取10个特征关键词就可以达到比较高的计算准备性，再选取更多词对去重准确性提高的贡献也就不大了。

简单的增加“的”“地”“得”调换文字段落的位置等伪原创的方法并不能逃避搜索引擎去重的算法。

6、正向索引