DIV CSS 佈局教程網

您现在的位置: DIV+CSS佈局教程網 >> 網頁SEO優化 >  >> SEO基礎教程
搜索引擎預處理的工作原理全解析
編輯:SEO基礎教程     

前面我們簡單介紹了搜索引擎預處理的概念,那麼在眾多流程中,它具體是怎麼運作的呢?下面一起來看看預處理的各個環節。

一、關鍵詞提取

搜索引擎能完全識別的主要是以文字為主的網絡資源。蜘蛛在抓取頁面時,會把大量HTML代碼一併抓下,如keywords、description、title、H、css、div標籤等,而它的核心工作是處理這些標籤與程序,提取出用於排名計算的文字信息。

二、刪除重複無用詞

同一個詞若在網頁中反覆出現,如「得」「我」「的」「你」「地」「啊」等助詞,頻率雖高卻沒多大價值,這類詞被歸為停用詞,需要去除。

三、中文分詞技術

分詞是中文搜索引擎獨有的技術支持。英文靠空格分隔單詞,中文卻行不通,必須把整句切成小單元詞,如「我是中國人」會被拆成「我」「是」「中國」「人」。分詞效率直接影響整個系統的效率,方法主要有兩類:基於字符串匹配與基於統計。

基於字符串匹配的分詞,按方向可分正向匹配、逆向匹配與最少切詞,並可混合使用。以正向最大匹配為例,假設字典中最長詞為三字,就先取短語前三字查字典,存在則切出,不存在則去掉末字再查,如此反覆。逆向最大匹配則從句尾切起,最大作用是用來消歧。比如「聚會在下城子鎮舉行」用正向匹配會產生歧義,而用逆向匹配設定合適的分詞節點大小,便能正確切出地名,消除歧義。實務中,逆向匹配的精準度通常高於正向匹配。基於統計的方法則是調用詞典匹配的同時,用統計技術識別新詞,兩者結合發揮最高效率。分詞詞典是判斷依據,收錄了絕大多數漢語詞語,還需不斷收錄「神馬」「犀利哥」等網絡新詞,才能滿足日常搜索需求。

四、消除噪聲

網頁上的廣告文字、圖片、登錄框、版權信息等,對搜索引擎而言並非有用內容,可直接去除。

五、建立索引文件

正向索引:把頁面轉為關鍵詞組合,記錄每個詞的出現頻率、次數、格式與位置,並保留其權重信息。倒排索引:正向索引無法直接用於排名,若靠它逐一掃描所有文件會無法實時返回結果,所以搜索引擎會把數據重構為以關鍵詞為索引的倒排索引。

六、鏈接關係計算

這是預處理中至關重要的一步。主流搜索引擎的排名因素都包含網頁間的鏈接流信息,需事先算清每頁有哪些指向、哪些導入鏈接、用了什麼錨文本等,Google的PR值便是這類計算的重要代表。

七、特殊文件處理

搜索引擎能抓取並索引以文字為基的多種文件類型,但對Flash、視頻、PPT、XLS、圖片等非文字內容尚無法執行腳本或讀取文字。圖片一般建議用ALT標籤補充說明。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved