国产日韩久久久久丨人成在线观看丨不卡福利视频丨成品人视频ww入口丨一线毛片丨а√天堂资源国产精品丨免费人成在线观看vr网站丨国产足控在线网站丨国产乱色丨欧美成人影院亚洲综合图丨亚洲精品国产一区黑色丝袜丨韩日激情视频丨精品人妻少妇一区二区三区不卡丨98久9在线 | 视频丨亚洲夜色噜噜av在线观看丨久久99成人免费丨视频丨9l丨白浆丨中文字幕乱码亚洲无线码小说丨永久免费黄色丨日韩av片无码一区二区不卡

那么，百度是如何收錄我們旅游線路的呢？

索引，我們更習(xí)慣將之稱為收錄，是搜索引擎（百度）工作的第二步，主要目的是對在爬行過程中發(fā)現(xiàn)的有價(jià)值的新內(nèi)容網(wǎng)頁進(jìn)行分析、處理、初步排序，然后存進(jìn)數(shù)據(jù)庫。

在索引的過程中有幾個(gè)核心的點(diǎn)我重點(diǎn)解釋一下。

1.被爬行：網(wǎng)頁能否被收錄，必須能被百度蜘蛛爬行到，沒有被爬行到的網(wǎng)頁做得再優(yōu)秀也無濟(jì)于事，這點(diǎn)在上面已經(jīng)說過。所以，當(dāng)一個(gè)網(wǎng)站里的頁面收錄情況很差的時(shí)候，如果要查明收錄情況差的原因，就需要從網(wǎng)頁是否被百度蜘蛛爬行過做起！

2.有價(jià)值的新內(nèi)容網(wǎng)頁：首先，新內(nèi)容網(wǎng)頁，可以是新發(fā)布的網(wǎng)頁，也可以是經(jīng)過大幅度修改后的老網(wǎng)頁（標(biāo)題、內(nèi)容修改前后文字大不一樣），但是網(wǎng)頁內(nèi)容只是新還不足夠，還必須得是有價(jià)值的！比如，一篇由幾百個(gè)漢字隨便拼湊而成不具備任何可讀性的文章，內(nèi)容是很新、并且還獨(dú)一無二，但是因?yàn)闆]有任何的價(jià)值，百度一樣不會(huì)收錄該頁面！

百度又不是人，它又怎么知道我的網(wǎng)頁內(nèi)容是不是新的、是不是獨(dú)一無二的、是不是有用的呢？這個(gè)就要介紹到百度如何對爬行到的網(wǎng)頁進(jìn)行處理的了。

第一步：文件存儲(chǔ)

百度蜘蛛將爬行的數(shù)據(jù)存入原始頁面數(shù)據(jù)庫，每個(gè)URL都有一個(gè)獨(dú)特的編號，這些頁面數(shù)據(jù)與我們通過瀏覽器看到的是完全一樣的，所以不要企圖通過一些技術(shù)手段來實(shí)現(xiàn)給百度和游客展示不同的內(nèi)容，一旦被發(fā)現(xiàn)，對網(wǎng)站就會(huì)是致命的打擊。

第二步：提取文字

百度是以文字內(nèi)容為基礎(chǔ)進(jìn)行分析的，會(huì)從蜘蛛抓取到的HTML文件中去除代碼標(biāo)簽、程序等，提取出可以用于排名處理的網(wǎng)頁頁面文字內(nèi)容。

但是在這個(gè)過程中，百度并不能識別圖片、視頻、flash里面的內(nèi)容，所以在百度看來，一個(gè)滿頁面都是圖片（視頻、flash）而沒有文字的網(wǎng)頁幾乎就是一個(gè)空白頁面。當(dāng)然了，會(huì)有其他的辦法來彌補(bǔ)這個(gè)缺點(diǎn)，但我們要想獲得較好的收錄以及排名，最好還是主動(dòng)避免這種情況的發(fā)生，最好是給圖片配以適當(dāng)?shù)南嚓P(guān)介紹文字，以圖文并茂的形式來發(fā)布新的內(nèi)容！

第三部：中文分詞

分詞是中文搜索引擎特有的步驟。百度存儲(chǔ)和處理頁面，以及用戶搜索都是以詞為基礎(chǔ)，即我們所說的關(guān)鍵詞。而所謂的分詞，即百度程序會(huì)將上面提取出來的文章，分割成一個(gè)一個(gè)的詞組，至于具體的分割原理，則非常復(fù)雜。搜索引擎必須分辨哪幾個(gè)字組成一個(gè)詞，哪些字本身就是一個(gè)詞。比如“廈門旅游景點(diǎn)”，可能被分詞為“廈門”和“旅游景點(diǎn)”兩個(gè)詞，也可以能會(huì)被分詞為“廈門旅游”和“景點(diǎn)”兩個(gè)詞，還有可能會(huì)被作為一個(gè)獨(dú)立的詞“廈門旅游景點(diǎn)”來處理！所以我們要盡可能的讓我們的目標(biāo)關(guān)鍵詞多次出現(xiàn)，或者是適當(dāng)?shù)慕o他們采取加粗的形式，以防他們被分割成不同的詞。

第四步：去停止詞

無論英文中文，頁面內(nèi)容中都會(huì)有一些出現(xiàn)頻率很高，卻對內(nèi)容沒有任何影響的詞，如“的”，“地”，“得”之類的助詞，“啊”，“哈”，“呀”之類的感嘆詞，“從而”，“以”，“卻”之類的介詞。這些詞被稱為停止詞，因?yàn)樗鼈儗�頁面主要意思沒什么影響。搜索引擎在索引頁面之前會(huì)去掉這些停止詞，使索引數(shù)據(jù)主題更為突出，減少無謂的計(jì)算量。

第五步：消除噪聲

絕大部分頁面上還有一部分內(nèi)容對頁面主題也沒有什么貢獻(xiàn)，比如版權(quán)聲明文字、導(dǎo)航條、廣告等。這些區(qū)塊都屬于噪聲，對頁面主題只能起到分散作用。搜索引擎需要識別并消除這些噪聲，排名時(shí)不使用噪聲內(nèi)容。消噪的基本方法是根據(jù)HTML標(biāo)簽對頁面分塊，區(qū)分出頁頭、導(dǎo)航、正文、頁腳、廣告等區(qū)域，在網(wǎng)站上大量重復(fù)出現(xiàn)的區(qū)塊往往屬于噪聲。對頁面進(jìn)行消噪后，剩下的才是頁面主體內(nèi)容。

第六步：去重

同一篇文章經(jīng)常會(huì)重復(fù)出現(xiàn)在不同網(wǎng)站以及同一個(gè)網(wǎng)站的不同網(wǎng)頁上，搜索引擎并不喜歡這種重復(fù)性的內(nèi)容。搜索引擎希望只返回相同文章中的一篇，所以在進(jìn)行索引前還需要識別和刪除重復(fù)內(nèi)容，這個(gè)過程就稱為去重。去重的基本方法是對頁面特征關(guān)鍵詞計(jì)算指紋，簡單地增加“的，地，得”、調(diào)換段落順序這種所謂偽原創(chuàng)，并不能逃過搜索引擎的去重算法，因?yàn)檫@樣的操作無法改變文章的特征關(guān)鍵詞。而且搜索引擎的去重算法很可能不止于頁面級別，而是進(jìn)行到段落級別，混合不同文章、交叉調(diào)換段落順序也不能使轉(zhuǎn)載和抄襲變成原創(chuàng)。被百度判斷為重復(fù)內(nèi)容的頁面，往往是導(dǎo)致百度不收錄的重要原因之一！

第七步：正向索引

經(jīng)過文字提取、分詞、消噪、去重后，搜索引擎得到的就是獨(dú)特的、能反映頁面主體內(nèi)容的、以詞為單位的內(nèi)容。接下來搜索引擎索引程序就可以提取關(guān)鍵詞，按照分詞程序劃分好的詞，把頁面轉(zhuǎn)換為一個(gè)關(guān)鍵詞組成的集合，同時(shí)記錄每一個(gè)關(guān)鍵詞在頁面上的出現(xiàn)頻率、出現(xiàn)次數(shù)、格式（如出現(xiàn)在標(biāo)題標(biāo)簽、黑體、H標(biāo)簽、錨文字等）、位置（如頁面第一段文字等）。這樣，每一個(gè)頁面都可以記錄為一串關(guān)鍵詞集合，其中每個(gè)關(guān)鍵詞的詞頻、格式、位置等權(quán)重信息也都記錄在案。

搜索引擎索引程序?qū)㈨撁婕瓣P(guān)鍵詞形成詞表結(jié)構(gòu)存儲(chǔ)進(jìn)索引庫。簡化的索引詞表形式如下表所示。

第八步：倒排索引

正向索引還不能直接用于排名，無法滿足實(shí)時(shí)返回排名結(jié)果的要求。所以搜索引擎會(huì)將正向索引數(shù)據(jù)庫重新構(gòu)造為倒排索引，把文件對應(yīng)到關(guān)鍵詞的映射轉(zhuǎn)換為關(guān)鍵詞到文件的映射。如下表所示：

在倒排索引中關(guān)鍵詞是主鍵，每個(gè)關(guān)鍵詞都對應(yīng)著一系列文件，這些文件中都出現(xiàn)了這個(gè)關(guān)鍵詞。這樣當(dāng)用戶搜索某個(gè)關(guān)鍵詞時(shí)，排序程序在倒排索引中定位到這個(gè)關(guān)鍵詞，就可以馬上找出所有包含這個(gè)關(guān)鍵詞的文件。

經(jīng)過搜索引擎蜘蛛抓取頁面，索引程序計(jì)算得到倒排索引后，搜索引擎就準(zhǔn)備好可以隨時(shí)處理用戶搜索了。用戶在搜索框填入關(guān)鍵詞后，排名程序調(diào)用索引庫數(shù)據(jù)，計(jì)算排名顯示給用戶，排名過程是與用戶直接互動(dòng)的。

至此，百度就已經(jīng)完成了對我們的線路頁面的收錄工作，但是這并不代表著我們的線路就能在百度獲得較好的排名，能否獲得好的排名，則要看排序階段！排序階段涉及到的內(nèi)容比較多，估計(jì)要寫一本書才能描述清楚，以后再慢慢安排時(shí)間一一介紹！

淺談百度如何收錄我們的旅游線路（爬行篇）：http://www.trendyfairy.cn/zaobao/21952

（文：欣欣旅游網(wǎng)：一刀）