在前面一篇文章里（搜索引擎工作原理折射SEO知識上）有說到搜索引擎的工作原理的前部分也就是如何通過蛛蛛來抓取網(wǎng)絡(luò)信息的問題。從中我們也了解到，蛛蛛的一些習性與SEO的一些操作小技巧。在今天的文章中我們會看到更多的有關(guān)于搜索引擎的內(nèi)容，好了廢話就不多說了。

我們都知道蛛蛛它畢竟還只是個程序而已，他做的工作不會通過網(wǎng)站的前臺來分析一個網(wǎng)站內(nèi)容，而是通過網(wǎng)站的代碼來進行抓取信息的。而在網(wǎng)站的源代碼里我們會看到好多html、js等一些程序的語句。而蛛蛛他只會對里面的文章感興趣，也就是說他只提取網(wǎng)頁里的一些文字。有些朋友可能就會說到了，那我們還寫什么代碼？代碼不是起不到作用了嗎？

其實不是這樣的，在網(wǎng)站的標簽優(yōu)化中我們都知道比如H標簽、nofollow標簽、alt標簽等。這些標簽還是能在蛛蛛抓取我們網(wǎng)站信息的時候起到強調(diào)與修飾作用。比如遇到圖片的時候，但蛛蛛并不能識別圖片里的信息，那么我們就會考慮去設(shè)置一下 alt標簽來幫助搜索引擎來識別圖片里的信息；為了讓網(wǎng)站的一些權(quán)重不分散，我們在必要地方給鏈接加上了nofollow。

既然搜索引擎蛛蛛是對網(wǎng)站文字特別感興趣，那對于中文SEO優(yōu)化來說。是不是會有個概念性的東西在這里面，那就是“分詞”

最簡單的一個例子，比如我們中文里面的“網(wǎng)站優(yōu)化”這四個詞，在百度搜索引擎數(shù)據(jù)詞庫里，其實是把網(wǎng)站與優(yōu)化兩個不同的詞分開來存放的。當用戶來搜索網(wǎng)站優(yōu)化這個詞的時候，搜索引擎的步驟也就是把網(wǎng)站這個詞庫里的網(wǎng)頁信息與優(yōu)化詞庫里的信息做一個交集來檢索與排名。這點后面還會有說到。

在說到分詞的時候我們不得不提一個東西，那就是我們?nèi)绾蝸砜淳W(wǎng)站一個分詞情況：在百度搜索引擎里面搜索“寧波何濤SEO”在出面的搜索結(jié)果里面，我們看下網(wǎng)站的那個快照如圖

我們是不是很容易的看到在快照里的顯示結(jié)果百度把這個詞分成了三塊不同背景色的詞組。這個只是其一，我們也可以在百度的搜索結(jié)果里看到只要是我們搜索的詞，都會有標紅的情況。這個也是分詞的另一種表現(xiàn)形式。

有些朋友可能會說了，你說的那些是個別情況，我們在現(xiàn)實過程去搜索的詞遠遠比這個復雜，而且可能還會有一些語氣助詞等。做為越來越完善的搜索引擎而言。他們其實也早就考慮到了這個問題，首先是因為這些個語氣詞在搜索過程中實際上是起不到任何作用的。在搜索引擎進行預處理的時候，他們也會把這些詞給過濾。一方面是減少檢索負擔，另一方面也是為了增加內(nèi)容的準確度。

在搜索引擎把蛛蛛抓取來的信息進行歸檔之前，還有個程度是必不可少的，他必須得做內(nèi)容的重復審核。一重意思：搜索引擎必須把同一個網(wǎng)站里的數(shù)據(jù)進行刪選。有一種情況：比如有人在搜索我的網(wǎng)站寧波SEO的時候，在排名結(jié)果中第一頁會出現(xiàn)我們的首頁與內(nèi)容頁的可能性。其實做為一個成熟的搜索引擎來說，這種情況是要避免的。因為這樣的內(nèi)容對用戶的用處不大，就相當于同一個內(nèi)容給排了兩次。第二重：對于不同的網(wǎng)站而言，因為網(wǎng)絡(luò)上的內(nèi)容那是成千上萬的。這里面就會出現(xiàn)兩個不同的網(wǎng)站，但內(nèi)容相同的情況。就是我們常說的網(wǎng)站內(nèi)容轉(zhuǎn)載的問題，搜索引擎也會考慮到重復的信息進行刪選。

有了上幾步的重重審核，接下來的就是得做個有效的數(shù)據(jù)整理。我列兩張表給大家看下就明白了：

正向索引

文件ID

內(nèi)容

文件1

關(guān)鍵詞1，關(guān)鍵詞2，關(guān)鍵詞7。。。關(guān)鍵詞x

文件2

關(guān)鍵詞1，關(guān)鍵詞7，關(guān)鍵詞8.。。關(guān)鍵詞Y

。。。。。

。。。

文件N

關(guān)鍵詞6，關(guān)鍵詞50.。。關(guān)鍵詞z

倒排索引

文件ID 內(nèi)容 關(guān)鍵詞1 文件1，文件2，文件10，。。。文件m 關(guān)鍵詞2 文件1，文件4，。。。。文件n 。。。。。 。。。。。 關(guān)鍵詞7 文件1，文件2，文件8.。。。。。文件o

我簡單的解釋一下上面的表格里的意思：正向索引表格，也就是搜索引擎臨時不能直接用于排名的數(shù)據(jù)表。這個里面他是按照文件來分配每個關(guān)鍵詞的。也就是說主鍵是文件。我們再換到第二張表來看，搜索引擎已經(jīng)把關(guān)鍵詞做為了主鍵，這也與我們搜索某個關(guān)鍵詞來找自己想要的信息一樣。我們可以發(fā)現(xiàn)：當用戶搜索關(guān)鍵詞7的時候，這個時候搜索引擎就沒有必要對每篇內(nèi)容再進行檢索，它只要做的就是從關(guān)鍵詞的詞庫里面提取出文件1，文件2，文件8等。

至少這幾個文件又是如何來排名的，這個也是下次我會寫出來的，感謝大家花時間來看我的文章整理。

文章摘自寧波何濤SEO博客：http://www.nb-seoer.com/post/154.html

標簽： SEO知識 搜索引擎原理 搜索引擎蛛蛛 

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。