今天我們眾騰網(wǎng)絡(luò)給大家分享搜索引擎工作過程中一個(gè)非常重要的階段“收錄預(yù)處理”，也就是大家常說的索引。當(dāng)用戶在搜索引擎中輸入搜索詞之后，搜索引擎并不是根據(jù)用戶的搜索詞然后來(lái)計(jì)算頁(yè)面給予排名的，而是事先在爬行和抓取頁(yè)面的時(shí)候就進(jìn)行了預(yù)處理，要不然也不可能在很短時(shí)間內(nèi)根據(jù)搜索詞展現(xiàn)出排名。

      首先，搜索引擎會(huì)對(duì)爬行的頁(yè)面進(jìn)行篩選和提取文字信息，以便進(jìn)行排名處理，通過搜索引擎的這個(gè)動(dòng)作，我們知道在頁(yè)面中添加meta信息，圖片的alt標(biāo)簽，錨文本的文字設(shè)定，a標(biāo)記中的title標(biāo)簽還是非常有必要的。

      緊接著搜索引擎會(huì)對(duì)篩選出來(lái)的這一大堆文字進(jìn)行分詞處理，以此來(lái)判定哪些字可以組成一個(gè)詞，比如眾騰網(wǎng)絡(luò)網(wǎng)站，通常會(huì)被分成“眾騰”，“網(wǎng)絡(luò)”，“網(wǎng)站”。搜索引擎的分詞過程一般有兩種分法，一個(gè)是通過搜索引擎數(shù)據(jù)庫(kù)中已經(jīng)創(chuàng)建好的詞典，另一種是根據(jù)日常統(tǒng)計(jì)，不過為了提高分詞的效率，通常都是兩種方法并行的。

      通過詞典進(jìn)行分詞，是指搜索引擎根據(jù)自己創(chuàng)建的詞典，跟網(wǎng)頁(yè)中提取的文字進(jìn)行匹配，如果匹配成功的話，就算分出了一個(gè)詞，而根據(jù)日常統(tǒng)計(jì)則是指搜索引擎對(duì)網(wǎng)絡(luò)上提取的文本做了大量的分析，哪些字經(jīng)常出現(xiàn)在一起，那么就會(huì)把它判定為一個(gè)詞組，不過搜索引擎更喜歡的是比較長(zhǎng)的最大匹配詞組，也就是我們常說的長(zhǎng)尾關(guān)鍵詞，因?yàn)檫@樣顯示出來(lái)的搜索結(jié)果將會(huì)更加精確。關(guān)于搜索引擎是如何進(jìn)行分組的，大家可以參考網(wǎng)站快照中帶顏色的詞，這里說明這只是一個(gè)參考，因?yàn)榫W(wǎng)站快照所能提供的分詞信息很少，有時(shí)也并不能完全表達(dá)出搜索引擎的意愿。而我們?cè)谶@個(gè)環(huán)節(jié)能進(jìn)行優(yōu)化的就是，通過頁(yè)面標(biāo)題，H1標(biāo)簽，關(guān)鍵詞加粗的方式來(lái)提示搜索引擎，這是一個(gè)詞組，同時(shí)還有強(qiáng)調(diào)的作用。

      當(dāng)搜索引擎分詞完畢后，接下來(lái)要進(jìn)行的工作就是去除這些詞中的干擾信息，俗稱“去噪”，搜索引擎去噪主要從兩方面進(jìn)行去噪，一個(gè)是把這些詞組中一些完全跟網(wǎng)站主題無(wú)關(guān)的詞組去掉，比如我們文章中經(jīng)常包含的一些“的”，“啊”，“然而”之類的助詞，感嘆詞和副詞，進(jìn)行去噪的第二步則是把網(wǎng)站中沒有用的模塊中包含的詞組去掉，比如免責(zé)聲明，廣告字段，版權(quán)信息，分頁(yè)列表等等，通過去噪后剩余的內(nèi)容才是搜索引擎想要的內(nèi)容。

      在搜索引擎獲得了有用的信息之后，是不是我們就可以通過這些內(nèi)容進(jìn)行網(wǎng)頁(yè)排名了？NO！接下來(lái)的這一步，我相信是很多站長(zhǎng)比較心痛的一個(gè)環(huán)節(jié)——去重。搜索引擎會(huì)在這些得到的內(nèi)容中提取出N個(gè)最能代表頁(yè)面主題的關(guān)鍵詞，進(jìn)行指數(shù)分析，如果指數(shù)顯示網(wǎng)上已經(jīng)存在大量的相同信息，搜索引擎將會(huì)進(jìn)行刪除操作，這也就是為什么很多站長(zhǎng)通過復(fù)制或轉(zhuǎn)載來(lái)的文章不被收錄展示的原因。