說實話,搜尋引擎很難從技術上對原創做出絕對準確的判斷,連大致準確都不容易。無數站長熬夜寫的原創,經常被排在垃圾博客的轉載甚至采集之後。就目前的觀察,判斷依據主要有以下幾項。
你的文章十年前就被收錄,我的抄襲版本十年後才收錄,誰是原創一目了然。但收錄時間接近時就很難分辨了——高權重博客收錄更快,我的文章五天前發佈一直不被收,你轉載之後幾分鐘就進了索引。若搜尋引擎因此判定你是原創、我是抄襲,那就太冤了。
這大概是最主要的一項依據。如果文章結尾寫着「轉載自某某SEO博客」,或者文中某個關鍵詞鏈向該站,判斷是轉載就比較有把握。不過這裡也有區別:鏈向具體文章頁判斷相對準確,只鏈向對方域名則難得多。總不能因為文中引用了對方博客,就把原創的功勞也判給對方。
做SEO的人對這一點更容易理解。搜尋引擎通常認為高權重、高PR的博客產出原創的概率更大。
如果對方頁面是去年創建的,我的是今年新建的,內容卻一模一樣,那大概率我是抄的。想想我們平時用的Word、Excel,文件屬性裡都記錄着創建與最後修改時間,我們甚至常按修改時間排序。記錄時間戳對百度和谷歌來說技術上並不難,隨便一個程序員都能實現。
但這套方案也有明顯缺陷:原創作者往往會反覆修改,最後修改時間可能晚於抄襲者,那就需要記錄同一篇文章的全部修改歷史來對照——技術上可行,但意味着多大的存儲與計算壓力?百度、谷歌索引的不是一台電腦、一個站,而是數千億量級的頁面。更棘手的是,站長完全可以刪掉最初的原創內容,替換成別人的文章,這種情況又該如何判定?
寫到這裡不難發現,每種判斷方式都有短板。搜尋引擎大概比誰都希望能做準確判斷,但先不說技術難度,光是制定一套無爭議的標準就足以令人頭痛。畢竟它只能按人給定的規則運行——如果我們拿不出絕對可靠的判斷標準,這個問題就很難真正解決。