搜索引擎如何提取正文

admin10年前 (2013-12-16)SEO优化517

还是延续上一篇两个"珠海SEO"所争论的问题,SEO必须了解HTML结构树,此文中介绍了搜索引擎是如何提取网页Title的,那网页的正文又是如何提取的呢?对于网页正文的提取方法就比提取Title复杂得多了。

互联网上的网页形形色色,没有统一规范的结构,要从这些网页中提取出正文是相当不易的。搜索引擎的分析系统就是来做这个工作的。

如何识别正文,了解HTML结构树就为我们分析正文打下了坚实的基础。将网页划分为多个不同的块,像

<p>珠海seo</p>

可以将网页上所有的文本块按以下三种类型来区分:

  1. 主题类的文本块(对应的英文为topic)

  2. 目录类的文本块(对应的英文为hub)

  3. 图片类的文本块(对应的英文为pic)

主题类的文本块如:

<td>珠海SEO之关键词优化</td>

目录类的文本块如:

<a href="">珠海SEO,SEO优化</a>

图片型的文本块如:

<img src="">珠海SEO案例图</img>

通过这些文本块来判断哪个文本块是正文,这里有必要引入搜索引擎的算法——投票算法,或许很多的SEO人员听到这个词语并不感到陌生,但对正文提取的投票算法却不似链接的投票算法,该算法的基本原理是大部分人给的意见往往是正确的。就像中国好声音130多家媒体对选手们的给分方式一样,结果会剔除一上最高分和一个最低分,虽然这种分值方式也是由评委主观产生,但是这种评判的方式还是被大多数人所接受。

投票算法的过程是这样的,搜索引擎会预先定义好给每个文本块打分的规则,得分最高的文本块就是正文。

假定搜索引擎预先定义好下面2条规则:

  1. 如果文本块的文字长度少于10个字,得分为0;在10~15个字之间得分为5分;在50~250个字之间得分为8分;超过250个字,得分为10分;

  2. 如果文本块文本位置在右边,得分为0;在顶部,得分为3分;在左侧,得分为5分;在中间,得分为10分;

当然这里笔者只是举例,搜索引擎实际的算法是相当复杂的。

image

通过这个打分模型,一眼就能看出,文本块1是正文的可能性较高,知道了搜索引擎的投票算法,相信对SEO实战会有一定的指导作用。

相关文章

如何把程序人生网做到百度权重2——SEO实战

如何把程序人生网做到百度权重2——SEO实战

如何把程序人生网做到百度权重2,做到权重2需要多长时间?这是一篇SEO实战性文章。网上教SEO技术的人多,但真正教SEO实战的很少,每个做SEOer都有自己的一手,很少有人愿意写出来和大家分享。珠海S...

2016要过去了,珠海SEO为你整理百度SEO算法规则

2016要过去了,珠海SEO为你整理百度SEO算法规则

国内基本上都是在做百度优化,近期百度调整很快,很多新人站长表示头痛。越来越多的站长已经离开了这个舞台。2016年,百度优化又有哪些调整呢?盘点最新优化方式,让您如鱼得水。百度进一步提高了自身产物的排名...

SEO问答六:长尾关键词是什么意思,如何挖掘长尾关键词?

SEO问答六:长尾关键词是什么意思,如何挖掘长尾关键词?

什么是长尾关键词网站上非目标关键词但也可以带来搜索流量的关键词,称为长尾关键词。长尾关键词是针对主关键词而言的,简单的说就是一个关键词的扩展。长尾关键词具有的特征长尾关键词的长度如果搜索引擎不限制的话...

SEO优化之使图片映射

很多SEOer都建议不要用图片做导航,尽量少用图片,原因大致就是图片不利用索引等等。但是当我在网络上看到很多优秀的网站后,发现事实上并非如此,网站因图片而美,网页设计者们避免不了的需要使用图片,只要图...

搜索引擎未来发展趋势

搜索引擎未来发展趋势

搜索引擎走过的路,还有即将要走的路第一代:分类目录时代第二代:文本检索时代第三代:整合分析时代第四代:用户中心时代第五代:生活生态圈搜索时代搜索引擎正处在第四代进程,互联网在经历了web2.0的洗礼后...

百度MIP效果演示及站点改造资料

百度MIP效果演示及站点改造资料

8月21号,第一时间给大家介绍了百度的MIP计划,相信SEO人员对MIP计划都有所了解了,短时间内应该还没来得及动手改造网站。继续关注百度的MIP,手机搜索“百度MIP" ,可以看到搜索结果...

评论列表

互传电商网
8年前 (2015-07-18)

还不错

动漫资讯
9年前 (2015-04-11)

博主不打算出现了吗

小碧池
9年前 (2014-06-27)

我觉得这个 是随机抓取的

小甜心88
10年前 (2014-03-05)

学习了

发表评论

访客

◎欢迎参与讨论,请在这里发表您的看法和观点。