01.網頁為何要去重？

    對于搜索引擎來說，希望呈現給用戶的是新穎且吸引人的內容，是高質量的文章，而不是大量的“換湯不換藥”的套話；我們在做SEO優化，要進行內容編輯時，難免會參考其他同類的文章，而這篇文章或許被多人采集過，這就導致了網絡上的相關信息大量的重復。

    如果一個網站存在大量的惡劣采集內容，不僅會影響用戶體驗，還會造成搜索引擎直接屏蔽該網站。之后網站上的內容，蜘蛛再難抓取了。

    02.搜索引擎工作原理

    搜索引擎是指根據一定的策略、運用特定的計算機程序從互聯網上搜集信息，在對信息進行組織和處理后，為用戶提供檢索服務，將用戶檢索相關的信息展示給用戶的系統。

    搜索引擎的工作原理：

    第一步：爬行

    搜索引擎是通過一種特定規律的軟件跟蹤網頁的鏈接，從一個鏈接爬到另外一個鏈接，像蜘蛛在蜘蛛網上爬行一樣，所以被稱為“蜘蛛”也被稱為“機器人”。搜索引擎蜘蛛的爬行是被輸入了一定的規則的，它需要遵從一些命令或文件的內容。

    第二步：抓取存儲

    搜索引擎是通過蜘蛛跟蹤鏈接爬行到網頁，并將爬行的數據存入原始頁面數據庫。其中的頁面數據與用戶瀏覽器得到的HTML是完全一樣的。搜索引擎蜘蛛在抓取頁面時，也做一定的重復內容檢測，一旦遇到權重很低的網站上有大量抄襲、采集或者復制的內容，很可能就不再爬行。

    第三步：預處理

    搜索引擎將蜘蛛抓取回來的頁面，進行各種步驟的預處理。

    除了HTML 文件外，搜索引擎通常還能抓取和索引以文字為基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經常會看到這些文件類型。 但搜索引擎還不能處理圖片、視頻、Flash 這類非文字內容，也不能執行腳本和程序。

    第四步：排名

    用戶在搜索框輸入關鍵詞后，排名程序調用索引庫數據，計算排名顯示給用戶，排名過程與用戶直接互動的。但是，由于搜索引擎的數據量龐大，雖然能達到每日都有小的更新，但是一般情況搜索引擎的排名規則都是根據日、周、月階段性不同幅度的更新。

    03.網頁去重的代表性方法

    搜索引擎包括全文索引、目錄索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、門戶搜索引擎與免費鏈接列表等。 去重的工作一般在分詞之后索引之前，搜索引擎會在頁面已經分出的關鍵詞中，提取部分具有代表性的關鍵詞進行計算，從而得出一個該網站關鍵詞的特征。

    目前， 網頁去重代表性方法有3種。

    1）基于聚類的方法。該方法是基于網頁文本內容以6763個漢字作為向量的基， 文本中某組或某個漢字所出現的頻率就構成了代表網頁的向量， 通過計算向量的夾角確定是否是相同的網頁。

    2）排除相同URL方法。各種元搜索引擎去重主要采用此方法。它分析來自不同搜索引擎的網頁URL, URL 相同， 即被認為是相同的網頁， 可將其去除。

    3）基于特征碼的方法。這種方法利用標點符號多數出現在網頁文本的特點， 以句號兩邊各5 個漢字作為特征碼來唯一地表示網頁。

    三種方法中，第一種和第三種大多數還是基于內容來判定，所以很多時SEO人員會通過偽原創工具來修改文章內容，但是很多時候偽原創工具會將原文改的不通順，這樣也不利于排名與收錄。

    也有網站利用搜索引擎的漏洞，比如權重高的網站進行惡劣采集，因為權重高的網站蜘蛛會優先抓取，所以這種做法會不利于一些權重低的網站。