昆明百度搜索引擎优化(昆明SEO分享搜索引擎优化技术：链接构建应该优化什么？)

　　昆明百度搜索引擎优化(昆明SEO分享搜索引擎优化技术：链接构建应该优化什么？)

　　很多人一直痴迷于研究百度的SEO算法，却不知道搜索引擎并没有变。然后昆明SEO分享搜索引擎优化技巧。

　　

　　搜索引擎的习惯众所周知：

　　搜索引擎认为最有价值的：内容-社交-用户体验-链接建设-SEO

　　SEO最应该花力气的5个地方：可抓取性-网站结构-内容层次-页面元素、内容创建-链接构建

　　应该优化什么：

　　质量——内容、链接、外观；信任-权威、有用性、资源；人气-流量、回访、访问、链接；及时性-当前的，当前的，相关的

　　搜索引擎的工作非常复杂，搜索引擎的简单流程大致可以分为三个阶段。

　　爬行和爬行：搜索引擎蜘蛛通过链接访问页面，并将页面的HTML代码放入数据库中。

　　预处理：搜索引擎对抓取的页面数据文本进行文本提取、中文分词、索引等，调用排名程序。

　　排名：用户输入关键词后，排名调用索引库数据，计算相关性，然后生成特定格式的搜索结果页面。

　　抓住并抓住

　　爬取和爬取是搜索引擎工作完成数据采集任务的第一步。

　　蜘蛛

　　搜索引擎用来抓取和访问页面的程序称为蜘蛛或机器人。

　　蜘蛛代理名称：

　　百度蜘蛛：百度蜘蛛+(+)•

　　雅虎中国蜘蛛：Mozilla/5.0（兼容；Yahoo! Slurp 中国；）•

　　英文雅虎蜘蛛：Mozilla/5.0（兼容；雅虎思乐普/3.0;）

　　谷歌蜘蛛：Mozilla/5.0（兼容；Googlebot/2.1;+）•

　　微软必应蜘蛛：msnbot/1.1 (+)•

　　搜狗蜘蛛：搜狗+互联网+机器人+(+#07）•

　　Soso蜘蛛：Sosospider +(+)•

　　有一个蜘蛛：Mozilla/5.0 (compatible;YodaoBot/1.0; /;)

　　追踪链接

　　为了在网络上抓取尽可能多的页面，搜索引擎蜘蛛会跟随页面上的链接从一个页面爬到下一个页面，就像蜘蛛在蜘蛛网上爬行一样。这就是蜘蛛网的起源。搜索引擎蜘蛛的名称。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。

　　深度优化搜索

　　深度优先搜索是指搜索树的每一层只有一个子节点先展开，继续前进，直到不再前进（到达叶节点或受深度限制），然后从当前节点到上一级。节点向另一个方向移动。这种方法的搜索树是从树的根逐渐形成的。

　　深度优先搜索也称为垂直搜索。由于所讨论的树可能收录无限分支，如果将深度优先搜索误认为是无限分支（即深度无限），则无法找到目标节点。因此，深度优先搜索策略是不完整的。另外，应用该策略得到的解不一定是最佳解（最短路径）。

　　广度优先搜索

　　在深度优先搜索算法中，首先扩展具有更大深度的节点。如果在搜索中将算法改为按节点级别搜索，则在不搜索节点的情况下无法处理该层的节点，即先展开深度较小的节点，即第一个展开的节点为首先生成，搜索算法称为广度优先搜索。

　　在深度优先搜索算法中，首先扩展具有更大深度的节点。如果在搜索中将算法改为在节点级别进行搜索，则在不搜索节点的情况下无法处理该层的节点，即先展开深度较小的节点，即第一个生成的节点首先展开。这种搜索算法称为广度优先搜索方法。

　　吸引蜘蛛

　　哪些页面被认为是重要的？有几个因素：

　　• 网站 和页面权重。网站 素质高、资历老的被认为权重较高。此类 网站 上的页面将被抓取到更高的深度，因此将收录更多内部页面。

　　• 页面更新的程度。蜘蛛每次爬行时，都会存储页面数据。如果第二次爬取发现页面和第一次爬取的完全一样，说明页面没有更新，蜘蛛不需要频繁爬取。如果页面内容更新频繁，蜘蛛会更频繁地访问页面，蜘蛛自然会更快地跟随页面上显示的新链接来获取新页面。

　　• 导入链接。无论是外链还是同一个网站的内链，要想被蜘蛛爬取，必须要有导入链接才能进入页面，否则蜘蛛将无法知道存在页面的。高质量的导入链接通常会增加页面上导出链接的深度。一般来说，网站 上权重最高的是首页。大多数外部链接都指向首页，最常见的蜘蛛访问也是首页。点击离主页越近，页面权重越高，蜘蛛爬行的可能性就越大。

　　地址库

　　为了避免重复抓取和抓取网址，搜索引擎会创建一个地址库来记录已发现但尚未抓取的网页和已抓取的网页。地址库中有几个 uRL 来源：

　　（1） 手动输入*敏*感*词*站点。

　　（2）蜘蛛爬取页面后，会从HTML中解析出新的链接uRL，并与地址库中的数据进行比较，如果是地址库中没有的URL，则会存储在中间要访问的地址库。

　　（3）网站管理员通过搜索引擎网站提交表单提交传入的URL。

　　蜘蛛从地址库中提取uRL进行访问，按重要性访问和爬取页面，然后从地址库中删除要访问的uRL，放入访问过的地址库中。

　　大多数主流 SEO() 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 只存储在地址库中。是否收录它取决于页面的重要性。搜索引擎中收录的大部分页面都是通过蜘蛛自己的跟踪链接获取的。可以说提交页面基本没用，搜索引擎更喜欢在链接上找新页面。

　　文件存储搜索引擎蜘蛛抓取的数据存储在原创页面数据库中。页面数据与用户浏览器获取的 HTML 完全相同。每个 uRI 都有一个唯一的文件编号。

　　爬行时复制内容检测

　　重复的检测和去除通常是在下面描述的预处理过程中完成的，但现在蜘蛛在爬取和爬取文件时也会进行一定程度的复制检测。当你在较轻的网站上遇到大量转载或复制的内容时，你可能无法继续爬行。这就是为什么某些 网站 管理员在日志文件中发现了蜘蛛，但实际上从未收录该页面的原因。

　　预处理

　　在一些SEO材料中，“预处理”也被称为“索引”，因为索引是预处理中最重要的一步。

　　搜索引擎蜘蛛抓取的原创页面不直接用于查询排名处理。搜索引擎数据库中的页面数量超过数万亿美元。用户输入搜索词后，排名程序实时分析这么多页面的相关性，计算量过大，不可能在一两秒内返回排名结果。因此，必须提前对获取的页面进行处理，以准备最终的查询排名。

　　和爬虫一样，预处理是在后台提前完成的，用户在搜索的时候不会感觉到这个过程。

　　1.提取文本

　　当前的搜索引擎仍然基于文本内容。除了用户在浏览器上可以看到的可见文本外，蜘蛛爬取的页面中的 HTML 代码还收录大量的 HTML 格式标签。Java 程序等不能用于对内容进行排名。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，提取页面中可用于排名处理的文本内容。

　　去掉HTML代码后，剩下的排名就是这一行：

　　除了可见文本，搜索引擎还会提取一些收录文本信息的特殊代码，如Meta标签中的文本、图片替换文本、Flash文件替换文本、链接锚文本等。

　　2.中文分词

　　分词是中文搜索引擎中的一个独特步骤。搜索引擎存储和处理页面，用户搜索是基于单词的。英语单词和单词之间有空格，搜索引擎索引程序可以直接将句子分成词集。中文单词和单词之间没有分隔符。句子中的所有单词和单词都连接在一起。搜索引擎首先要区分哪些词构成词，哪些词本身就是词。比如“减肥方法”就会分为“减肥”和“方法”两个词。

　　中文分词方法基本上有两种，一种是基于词典匹配，一种是基于统计。

　　基于字典匹配的方法是指待分析的汉字与预制字典中的词条匹配，成功匹配字典中已有的词，即待分析的汉字串中的词。

　　根据扫描方向，基于字典的匹配方法可以分为正向匹配和反向匹配。根据匹配长度的优先级，可分为最大匹配和最小匹配。扫描方向和长度最好混合，可以产生不同的方法，如前向最大匹配和反向最大匹配。

　　字典匹配法计算简单，其准确率很大程度上取决于字典的完整性和更新性。

　　基于统计的分词方法是指对大量文本样本进行分析，计算该词出现在该词旁边的统计概率。出现的相邻词越多，形成该词的可能性就越大。基于统计的方法的优势在于它可以更快地对新词做出反应并有助于消除歧义。

　　基于词典匹配和统计的分词方法各有优缺点。实际使用中的分词系统是两种方法的混合，快速有效，可以识别新词、新词，消除歧义。

　　中文分词的准确性往往会影响搜索引擎排名的相关性。例如，在百度搜索“搜索引擎优化”时，从快照中可以看出，百度将“搜索引擎优化”一词视为一个词。

　　在谷歌上搜索同一个词时，快照显示谷歌将其缩减为“搜索引擎”和“优化”这两个词。显然百度更合理，搜索引擎优化是一个完整的概念。谷歌的分词往往比较分散。

　　这种分词的差异可能是一些关键词排名在不同搜索引擎中表现不同的原因之一。例如，百度更喜欢以完全匹配的方式在页面上显示搜索词，也就是说，当这四个词连续出现时搜索“在线竞价”，更容易在百度中获得好的排名。Google 是不同的，不需要完全匹配。某些页面显示为“投标”和“在线”，但不必完全匹配。“招标”出现在前面，“在线”出现在页面的其他部分。当您在线时，此类页面会在 Google 中搜索“投标”。你也可以获得很好的排名。

　　搜索引擎分词取决于词库的大小、准确度和分词算法，而不是页面本身，所以搜索引擎优化人员在分词方面做的很少。您唯一能做的就是在页面上以某种形式提示搜索引擎。一个词应被视为一个词，尤其是当可能存在歧义时，例如页面标题、h1 标签和以粗体显示的关键字。如果页面是关于“和服”的，那么“和服”这个词可以专门用黑色标出来。如果页面是关于“化妆和衣服”的，你可以用黑色标记“衣服”这个词。这样，当搜索引擎分析页面时，它知道黑色标记的单词应该是单词。

　　3.去停词

　　不管是英文还是中文，都会有一些比较频繁但对内容没有影响的词，比如“，”，“地”，“得得”等，“啊”，比如“哈”和“是的”“”等，副词或介词如“to”、“to”、“but”。这些词被称为停用词，因为它们对页面的主要含义几乎没有影响。英语中一个常见的词是 a 、 A 、 an 、 to 等等。

　　搜索引擎会在索引页面前删除这些停用词，使索引数据的主题更加突出，减少不必要的计算。

　　4. 消除噪音

　　页面上的大部分内容都不会影响页面的主题，如版权声明文字、导航栏、广告等，以常见的博客导航为例。文章 类别几乎出现在每个博客页面上。导航内容如历史档案，但这些页面本身与术语“类别”或“历史”无关。当用户搜索“历史”和“类别”关键字时，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，并且完全无关紧要。因此，这些块是噪音，只能在页面主题中起到分散作用。

　　搜索引擎需要识别并消除这些噪音，并对无噪音内容进行排名。降噪的基本方法是根据HTML标签划分页面，区分页面标题、导航、文本、页脚、广告等，而网站上的大量重复块通常就是噪声。页面去噪后，页面的其余部分就是页面的主要内容。

　　5.卸重

　　搜索引擎还需要对页面进行反向处理。

　　同一篇文章文章经常被复制到不同的网站和相同的网站不同的网站，搜索引擎不喜欢这种重复的内容。用户搜索时，如果前两页来自不同的网站同一篇文章文章，用户体验太差了，即使和内容有关。搜索引擎只想返回同一文章中的一篇文章，因此需要在索引之前识别并删除重复的内容。此过程称为“重复数据删除”。（还有一种说法是网络搜索引擎上的大量文章认为它很有用，所以很快就会被收录）

　　去重的基本方法是计算页面特征关键词的指纹，即从页面内容中选择最具代表性的关键词部分（通常是出现频率最高的关键词），然后计算出关键词。数字指纹。这里的关键词选择是在分词、停用词和去噪之后。实验表明，通常可以选择10个特征关键词来获得更高的计算精度，然后再选择更多对去重精度提升贡献不大的词。

　　典型的指纹计算方法，如MD5算法（Information Digest Algorithm Fifth Edition）。这种指纹算法的特点是输入（字符关键字）的任何微小变化都会导致指纹计算出现很大的差距。

　　SEO人员要了解搜索引擎的去重算法，要知道简单的添加“of”、“ground”、“get”，改变段落顺序所谓的伪原创，逃不过“搜索引擎的眼球” " 因为这个操作不能改变文章的函数关键字。而且搜索引擎的去重算法可能会超过页面级别，但对于段落级别，混用不同的文章，交叉颠倒段落顺序不会造成转载和抄袭原创。

　　6.远期指数

　　前向索引也可以称为索引。

　　经过文本提取、分词、去噪和去重后，搜索引擎获得了反映页面主要内容的独特的基于词的内容。接下来，搜索引擎索引程序可以根据分词程序提取关键字并划分单词。将页面转换成关键字集，记录每个关键字的出现频率、出现次数、格式（如标题标签、粗体、H标签、锚文本等）和位置（如页面）。正文的第一段等）。这样每个页面就可以记录为一系列的关键词组，同时记录每个关键词的权重信息，如词频、格式、位置等。

　　搜索引擎索引器将页面和关键字存储在索引库中的词汇结构中。简化索引词汇如表2-1所示。

　　每个文件对应一个文件ID，文件内容用关键字集表示。事实上，在搜索引擎索引库中，关键词也被转化为关键词ID。这种数据结构称为前向索引。

　　7.倒排索引

　　转发索引不能直接用于排名。假设用户搜索关键字2，如果只有转发索引，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，然后进行关联计算。这种计算方式不满足实时返回排名结果的要求。

　　因此，搜索引擎会将正向索引数据库重建为反向索引，并将对应关键字的文件映射转换为关键字到文件的映射关系，如表2-2所示。

　　在倒排索引中，键是主键，每个键对应一系列文件。此关键字出现在这些文件中。这样，当用户搜索关键字时，排序程序在倒排索引中定位该关键字，可以立即找到收录该关键字的所有文件。

　　8. 链接关系计算

　　链接关系计算也是预处理的重要部分。所有主要的搜索引擎排名因素现在都包括网页之间的链接流信息。搜索引擎抓取页面内容后，必须提前计算：页面上的哪些链接指向其他页面，每个页面的链接中导入了哪些页面，链接使用了哪些锚文本，以及这些复杂的链接指向表单网站与页面的关系。链接权重。

　　GooglePR 值是这种链接关系最重要的体现之一。其他搜索引擎执行类似的计算，尽管它们不称为 PR。

　　由于页面和链接数量庞大，在线链接关系不断更新，因此链接关系和PR计算需要很长时间。PR和链接分析也有专门的章节。

　　9.特殊文件处理

　　除了 HTML 文件，搜索引擎通常可以抓取和索引各种基于文件的文件类型，例如 PDF、Word、WPS、XLS、PPT、TXT 文件。这些文件类型在我们要查找的搜索结果中也很常见。但是，当前的搜索引擎无法处理图像、视频和 Flash 等非文本内容，也无法执行脚本和程序。

　　尽管搜索引擎在识别图像和从 Flash 中提取文本内容方面取得了一些进展，但从读取图像、视频和 Flash 内容中直接返回结果的目标还很遥远。图像和视频内容的排名通常基于与其关联的文本内容。有关更多信息，请参阅下面的集成搜索部分。

　　秩

　　该界面由搜索引擎蜘蛛抓取。搜索引擎程序计算出倒排索引后，搜索引擎随时准备处理用户搜索。用户填写搜索框后，排名程序调用索引库数据，将排名显示给客户。排名过程直接与客户互动。