提取文字

　　由于搜索(suo)(suo)引擎(qing)蜘蛛抓(zhua)取的(de)(de)是(shi)頁面的(de)(de)HTML代碼(ma)，里面包(bao)含了大量的(de)(de)HTML標(biao)簽(qian)、js等(deng)無法(fa)用到排名上的(de)(de)內(nei)容，所以搜索(suo)(suo)引擎(qing)索(suo)(suo)引首(shou)先要做的(de)(de)就是(shi)把其中(zhong)的(de)(de)HTML標(biao)簽(qian)、js去掉，保留剩下(xia)的(de)(de)頁面文字內(nei)容。

　　中文分詞

　　中(zhong)文(wen)分詞是(shi)中(zhong)文(wen)搜(sou)索引(yin)擎(qing)特有(you)的(de)步驟，英(ying)文(wen)單詞之間會有(you)空格作分隔，而中(zhong)文(wen)詞與詞之間沒(mei)有(you)分隔符號，一(yi)個(ge)句子字(zi)與詞都是(shi)連在一(yi)起的(de)。中(zhong)文(wen)搜(sou)索引(yin)擎(qing)必須首先分辨那(nei)幾個(ge)字(zi)組成一(yi)個(ge)詞，哪些字(zi)本身就是(shi)一(yi)個(ge)詞。比如“健身方(fang)法(fa)”將被(bei)分詞為(wei)“健身”和(he)“方(fang)法(fa)”兩(liang)個(ge)詞。

　　去停止詞

　　在頁面(mian)內(nei)容(rong)中會(hui)存在很多對內(nei)容(rong)沒有任何影響的詞，比如"的"、"之"、"卻"、"啊"之類。搜索(suo)引(yin)(yin)擎在索(suo)引(yin)(yin)時會(hui)把這(zhe)些詞去掉，讓頁面(mian)內(nei)容(rong)的主題更加突出。

　　去重(zhong)(為什么偽(wei)原創(chuang)弊大于(yu)利)

　　搜索引擎為了減少搜索結(jie)果中(zhong)出現的(de)重(zhong)復(fu)內容(rong)會選取頁面(mian)內容(rong)中(zhong)出現頻率最高的(de)詞(ci)，通常會選出10個左右關于頁面(mian)的(de)關鍵詞(ci)來計算頁面(mian)的(de)“指紋(wen)”。

　　索引

　　經過以(yi)上步(bu)驟之(zhi)后，搜索引擎(qing)就可(ke)以(yi)提煉出(chu)可(ke)以(yi)代表一(yi)個頁面內容的一(yi)些(xie)關鍵詞，同時記錄這些(xie)詞在頁面上的出(chu)現頻(pin)率、出(chu)現次數、格式、位置等信(xin)息。

　　鏈接關系計算

　　當頁(ye)面中存在(zai)鏈(lian)(lian)接(jie)(jie)時(shi)，搜索(suo)引擎會計算這(zhe)些鏈(lian)(lian)接(jie)(jie)都只想哪些頁(ye)面，每(mei)個頁(ye)面都有(you)哪些導(dao)入(ru)鏈(lian)(lian)接(jie)(jie)，鏈(lian)(lian)接(jie)(jie)使用了(le)什(shen)么錨文字，這(zhe)些復雜的鏈(lian)(lian)接(jie)(jie)指(zhi)向關(guan)系形成了(le)網站和(he)頁(ye)面的鏈(lian)(lian)接(jie)(jie)權重(zhong)。這(zhe)些鏈(lian)(lian)接(jie)(jie)關(guan)系也是百度計算權重(zhong)的重(zhong)要(yao)依據(ju)之(zhi)一，至于(yu)百度權重(zhong)和(he)鏈(lian)(lian)接(jie)(jie)分析出彩科技(ji)會在(zai)以后的文章中專(zhuan)門(men)介紹(shao)。

　　頁面質量判斷

　　在(zai)這個階段，搜索(suo)引擎(qing)會對頁面內(nei)容質(zhi)量、鏈接(jie)質(zhi)量等作出判斷，比如百(bai)度的綠蘿、石榴算法。

　　提(ti)醒(xing)的(de)(de)是中文搜索(suo)引擎和其他(ta)國外搜索(suo)引擎還是有一(yi)定區別(bie)的(de)(de)，不過大致方向上是相同的(de)(de)，只要牢牢掌握其中一(yi)種，學習另外的(de)(de)也會相對簡單很(hen)多。