搜索引擎如何提取正文

独立开发者9年前 (2013-12-16)SEO优化602

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

个人博客如何做seo优化

个人博客如何做seo优化

早期人们一般喜欢借助于公共博客作产品推广,SEM营销。不过目前由于建站越来越简单,成本越来越低,很多人都逐渐放弃了公共博客的优化,而采取独立建站的方式来培养自己的个性博客。那么放弃了公共博客的高权重,...

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...

百度的天网算法有什么用

百度的天网算法有什么用

今天在百度站长平台看到百度的最新动态,“天网算法”出台,百度严打盗取用户隐私。近日,百度网页搜索发现部分站点存在盗取用户隐私的行为,主要表现为网页嵌恶意代码,用于盗取网民的QQ号、手机号。而许多网民却...

百度的MIP计划抢鲜看

百度的MIP计划抢鲜看

才说过Google的AMP项目,预计百度也会出类似的东西,没想来得这么快,看来百度学习的速度越来越快了,深夜给大家抢鲜看下百度的MIP计划。百度的MIP计划与Google的AMP项目所要实现的目标一样...

SEO问答二:百度指数,什么是百度指数?

SEO问答二:百度指数,什么是百度指数?

百度指数百度指数是用以反映关键词在过去30天内的网络曝光率及用户关注度!它能形象地反映该关键词的每天的变化趋势!百度指数是以百度网页搜索和百度新闻搜索为基础的免费海量数据分析服务,用以反映不同关键词在...

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...

评论列表

互传电商网
7年前 (2015-07-18)

还不错

动漫资讯
7年前 (2015-04-11)

博主不打算出现了吗

小碧池
8年前 (2014-06-27)

我觉得这个 是随机抓取的

小甜心88
8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。