北京搜索引擎优化seo( 【北京SEO】深度优先查找就是在查找树的应用)

　　北京搜索引擎优化seo(

【北京SEO】深度优先查找就是在查找树的应用)

　　北京SEO：搜索引擎工作流程和SEO

　　点击链接

　　搜索引擎蜘蛛为了在互联网上抓取尽可能多的页面，会跟随页面上的链接，从一个页面爬到下一页，就像蜘蛛在蜘蛛网上爬行一样，这就是名称搜索引擎蜘蛛。最简单的爬行遍历策略分为两种，一种是深度优先，一种是广度优先。 【北京SEO】

　　深度优先搜索

　　深度优先搜索是在搜索树的每一层只展开一个子节点，继续往深处游，直到不能再游下去（到达叶子节点或者被深度约束），然后从当前节点到前一级节点并继续在另一个方向。该方法的搜索树是从树的根开始逐步构建的。 【北京SEO】

　　深度优先搜索也称为垂直搜索。由于具有解决方案的问题树可能收录无限分支，因此深度优先搜索假设会误入无限分支（即无限深度），并且不可能找到策略节点。因此，深度优先搜索策略是不完整的。否则，应用该策略得到的解不一定是最佳解（最短路径）。 【北京SEO】

　　广度优先搜索

　　在深度优先搜索算法中，首先扩展深度较大的节点。假设将算法改为根据搜索中节点的层级进行搜索，当该层的节点还没有被搜索和处理时，无法处理底层节点，即先扩展深度较小的节点，也就是说先出现的节点先展开处理，这种搜索算法称为广度优先搜索。 【北京SEO】

　　吸引蜘蛛

　　哪些页面被认为是重要的？有几个因素会影响：

　　·网站 和页面权重。 网站 质量高，资历高，被认为权重较高，这个网站上的页面会被爬得更高的深度，所以会进入更多的内页。 【北京SEO】

　　·页面更新度。蜘蛛每次抓取时都会存储页面数据。假设第二次爬取发现该页面与列表中的第一个条目完全相同，则说明该页面尚未更新，蜘蛛不需要经常爬取。假设页面内容经常更新，蜘蛛会越来越多地重复访问这个页面，页面上出现的新链接自然会被蜘蛛更快地跟踪并抓取新页面。 【北京SEO】

　　· 导入链接。无论是外部链接还是同一个网站的内部链接，为了被蜘蛛爬取，必须要有导入链接才能进入页面，否则蜘蛛没有机会知道页面的存在。高质量的传入链接也经常会导致页面上的传出链接被爬行深度添加。一般来说，首页在网站上的权重最高，大部分外链都指向首页，首页是蜘蛛访问频率最高的。点击间隔距离首页越近，页面权重越高，被蜘蛛爬取的机会就越大。 【北京SEO】

　　地址库

　　为了避免重复爬取和爬取网址，搜索引擎会建立地址库，记录已发现尚未爬取的页面和已爬取的页面。地址库中的URL有几种来源：【北京SEO】

　　(1)手动输入*敏*感*词*网站.

　　(2)蜘蛛爬取页面后，从HTML中解析出新的链接uRL，并与地址库中的数据进行对比。如果是不在地址库中的URL，会保存在要访问的地址库中。。【北京SEO】

　　(3)站长通过搜索引擎网页提交表单提交的网址。

　　蜘蛛根据重要性从待访问地址库中提取url，访问并爬取页面，然后将待访问地址库中的uRL删除，放入被访问地址库.

　　大多数主要搜索引擎都为网站管理员提供了提交 URL 的表单。但是，这些提交的 URL 只存储在地址数据库中。是否输入取决于页面的重要性。搜索引擎输入的绝大多数页面都是由蜘蛛自己通过链接获得的。可以说，提交页面基本上是没用的，搜索引擎更喜欢跟随链接自行发现新页面。文件存储 搜索引擎蜘蛛爬取的数据存储在原创页面数据库中。中间的页面数据与用户浏览器获取的 HTML 完全相同。每个 uRI 都有一个共同的文件编号。 【北京SEO】

　　抓取时复制内容检测

　　检测和删除复制的内容一般是在下面描述的预处理过程中进行的，但是今天的蜘蛛在爬取和爬取文件时也会进行一定程度的复制内容检测。当在网站上遇到大量转载或抄袭、权重极低的内容时，很有可能不再继续爬取。这就是为什么一些网站管理员会在日志文件中发现蜘蛛，但这些页面实际上从未被记录下来。 【北京SEO】

　　预处理

　　在一些SEO资料中，“预处理”也被称为“索引”，因为索引是预处理最重要的过程。搜索引擎蜘蛛爬取的原创页面不能直接用于查询排名处理。搜索引擎数据库的页数在万亿级别。用户输入搜索词后，排名程序会实时分析这么多页面的相关性。计算量太大，不可能在一两秒内返回排名效果。因此，有必要对爬取的页面进行预处理，为最终的查询排名做准备。和爬取爬取一样，预处理也是提前在后台完成的，用户在搜索的时候感觉不到这个过程。 【北京SEO】

　　1.提取文本

　　当前的搜索引擎仍然基于文本内容。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本外，还包括很多 HTML 格式的标签、JavaScript 程序等不能用于排名的内容。搜索引擎预处理首先要做的就是去除HTML文件中的标签和程序，提取网页中可用于排名处理的文本内容。 【北京SEO】

　　2.中文分词

　　分词是中文搜索引擎独有的过程。搜索引擎基于单词存储和处理页面和用户搜索。英语等语言单词用空格分隔，搜索引擎索引程序可以直接将句子分成单词的集合。但是，中文单词和单词之间没有分隔符，一个句子中的所有单词和单词都是连接在一起的。搜索引擎首先要区分哪些词构成一个词，哪些词本身就是一个词。例如，“减肥法”将分为“减肥”和“方法”两个词。 【北京SEO】

　　中文分词基本上有两种方法，一种是基于字典匹配，一种是基于计算。

　　按字典匹配的方法是指将一段待分析的汉字与预制字典中的词条进行匹配，从待分析的字符串中扫描字典中已有的词条，并且匹配成功。或者拆分一个词。 【北京SEO】

　　根据扫描方向，根据字典的匹配方式可以分为正向匹配和反向匹配。根据匹配长度优先级的不同，可以分为最大匹配和最小匹配。通过优先混合扫描方向和长度，可以生成正向最大匹配和反向最大匹配等不同的方法。 【北京SEO】

　　字典匹配方法计算简单，其准确性很大程度上取决于字典的完整性和更新。

　　基于计算的分词方法是指分析许多文本样本，计算相邻字符的计算概率。出现的相邻单词越多，它们形成单词的可能性就越大。基于会计的方法的优点是对新出现的词反应更快，也有助于消歧。

　　基于字典匹配和记账的分词方法各有优缺点。在实际应用中，分词系统混合使用了两种方法，快速高效，可以识别新词新词，消除歧义。 【北京SEO】

　　中文分词的准确性往往会影响搜索引擎排名的相关性。比如你在百度上搜索“搜索引擎优化”，从截图中可以看出百度将“搜索引擎优化”这六个词当成一个词。

　　在 Google 上查找同一个词时，快照显示 Google 将其拆分为“搜索引擎”和“优化”两个词。显然，百度的细分更加合理，搜索引擎优化是一个取之不尽的概念。谷歌的分词往往更细化。 【北京SEO】

　　这种分词的差异，可能是一些关键词在不同搜索引擎中排名不同的原因之一。比如百度更喜欢匹配搜索词出现在页面上，也就是说在搜索“够玩博客”的时候，这四个词一个接一个出现，更容易在百度获得好的排名。另一方面，谷歌不需要完美匹配。有些页面出现了“足够戏剧”和“博客”这两个词，但它们不必匹配，“足够戏剧”出现在前面，而“博客”出现在页面的其他地方，这样的页面在谷歌中搜索对于“足够的戏剧博客”，您也可以获得不错的排名。【北京SEO】

　　搜索引擎对页面的分词取决于词库的规划、词库的准确性和分词算法的质量，而不是页面本身，因此SEO人员对分词的作用很小。唯一能做的就是在页面上以某种方式提醒搜索引擎，某些词应该被视为一个词，尤其是当可能存在歧义时，例如页面标题中的关键字词、h1标签和粗体字。假设页面是关于“Kimono”的内容，“Kimono”这个词可以特意用粗体标出。假设该页面是关于“服饰”的，您可以将“服饰”一词加粗。这样，当搜索引擎分析页面时，它就知道粗体字应该是一个词。 【北京SEO】

　　3.删除中断

　　无论是英文还是中文，页面内容中都会出现一些出现频率很高但对内容没有影响的词，比如“的”、“地”、“de”等辅助词，“ ah”、“ha”、“ya”等感叹词，“then”、“to”、“but”等副词或介词。这些词被称为中断词，因为它们对页面的主要含义几乎没有影响。英文中常见的断词有the、a、an、to、of等【北京SEO】

　　搜索引擎会在索引页面之前去除这些中断的词，使索引数据的主题更加突出，减少不必要的计算量。

　　4.去噪

　　大多数页面上还有一部分内容对页面主题没有贡献，比如版权声明文字、导航栏、广告等。以常见的博客导航为例，几乎每个博客页面都会有文章分类和历史档案等导航内容，但这些页面本身与“分类”和“历史”这两个词无关。用户搜索诸如“历史”和“分类”之类的关键字并仅仅因为这些词出现在页面上而返回博客文章是没有意义的，完全无关紧要的。因此，这些块被归因于噪音，它只能对页面的主题产生分散注意力的效果。 【北京SEO】

　　搜索引擎需要识别和消除这种噪音并在不使用噪音内容的情况下进行排名。去噪的基本方法是根据HTML标签将页面分成块，区分页眉、导航、文本、页脚、广告等区域。 网站 上的许多重复块通常归因于噪声。页面去噪后，剩下的就是页面的主要内容了。

　　5.移除

　　搜索引擎也需要对页面进行去重。

　　同一篇文章文章经常在不同的网站和同一个网站的不同URL上重复出现，搜索引擎不喜欢这样重复的内容。当用户搜索时，假设他们在前两个页面看到了来自不同网站的同一篇文章文章，那么用户体验会太差，虽然都是内容相关的。搜索引擎希望只返回一个相同的文章，所以在索引之前需要识别并删除重复的内容。此过程称为“重复数据删除”。 【北京SEO】

　　去重的基本方法是计算页面特征关键词的指纹，即从页面的主要内容中选出最具代表性的部分关键词（往往是出现频率最高的关键词），然后计算这些关键字。数字指纹。这里的关键词选择是在分词、去中断词、降噪之后。测试表明，一般选取10个关键词可以达到比较高的计算精度，选取更多的词对去重精度的提升贡献不大。

　　典型的指纹记账方法，如MD5算法（信息文摘算法第五版）。这类指纹算法的特点是输入（特征关键字）的任何微小变化都会导致计算出的指纹出现较大的差距。

　　了解搜索引擎的去重算法的SEO人员应该知道，所谓伪原创只是简单地加上“de”、“ground”、“got”，交换阶段的顺序逃不过搜索引擎的去重算法，因为这样的操作不能改变文章的特征关键字。而且，搜索引擎的去重算法恐怕不限于页面级别，而是阶段级别。混用不同的文章和跨平台的订单，不能让转载和抄袭变成原创。 【北京SEO】

　　6.正向索引

　　前向索引也可以简称为索引。

　　搜索引擎经过文本提取、分词、去噪、去重后，得到能够反映页面主要内容的、基于词的通用内容。接下来，搜索引擎索引程序可以提取关键词，按照分词程序对词进行划分，将页面转化为关键词的集合，并记录每个关键词在页面上出现的频率、出现次数和模式页面（如出现在标题标签、粗体、H标签、锚文本等）、位置（如页面第一段等）。这样，每一页就可以记录为一个关键词的集合，同时也记录了每个关键词的词频、模式、位置等权重信息。 【北京SEO】

　　搜索引擎索引程序将页面和关键字存储在词汇结构中，并将它们存储在索引数据库中。简化的索引词汇表如表2-1所示。

　　每个文件对应一个文件ID，文件内容用关键词的集合表示。事实上，在搜索引擎索引数据库中，关键词也已经转化为关键词ID。这样的数据结构称为前向索引。 【北京SEO】

　　7.倒排索引

　　前向索引还不能直接用于排名。假设用户搜索关键字2，并且假设只有一个前向索引，那么排名程序需要扫描索引库中的所有文件，找到收录关键字2的文件，然后进行相关性计算。这个计算量不能满足实时排名效果的要求。

　　所以搜索引擎会将正向索引数据库重构为倒排索引，将文件到关键字的映射转换为关键字到文件的映射，如表2-2所示。 【北京SEO】

　　关键词是倒排索引中的主键，每个关键词对应着该关键词出现的一系列文档。这样，当用户搜索某个关键字时，排序程序在倒排索引中定位到该关键字，可以立即找出包括该关键字在内的所有文件。

　　8.链接联系人记账

　　链接链接记帐也是预处理的重要组成部分。所有主要的搜索引擎排名元素现在都包括网页之间的链接活动信息。搜索引擎爬取页面内容后，需要提前计算：页面上哪些链接指向了其他哪些页面，每个页面有哪些传入链接，链接使用了哪些锚文本。网站 和页面的链接权重。 【北京SEO】

　　Google PR 是这种链接连接的最初表现之一。其他搜索引擎也做类似的计算，虽然不叫PR。

　　由于页面和链接数量巨大，互联网上的链接不断更新，因此链接和PR的计算需要很长时间。关于PR和链接分析，后面有专门的章节。

　　9.特殊文件处理

　　除了HTML文件，搜索引擎一般可以抓取和索引多种基于文本的文件类型，如PDF、Word、WPS、XLS、PPT、TXT文件等。我们在中也经常看到这些文件类型寻找效果。但是，目前的搜索引擎无法处理图片、视频、Flash等非文本内容，也无法执行脚本和程序。 【北京SEO】

　　虽然搜索引擎在识别图片和从 Flash 中提取文本内容方面取得了一些进展，但直接依靠读取图片、视频和 Flash 内容的政策还很遥远。图片和视频内容的排名往往基于相关的文字内容。有关详细信息，请参阅下面的集成搜索部分。

　　排名

　　搜索引擎程序通过搜索引擎蜘蛛爬取的接口计算倒排索引后，搜索引擎随时准备处理用户搜索。用户在搜索框中填写关键词后，排名程序调用索引数据库数据，将计算排名展示给客户。排名过程直接与客户互动。 【北京SEO】

　　，专注搜索引擎优化，网站关键词排名优化，头条搜索优化，品牌舆情监测优化！为客户提供品牌内容优化解决方案、软文发布营销、品牌口碑传播等优质服务！