搜索引擎如何提取正文

admin8年前 (2013-12-16)SEO优化346

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

301重定向不适用于新站

301重定向不适用于新站

笔者下这个结论,是经过实践的,以珠海SEO网站为例,网站上线初启用的是带www的域名,并且有部分收录。后来笔者发现在做外链建设的过程中,加www的域名显得比较长,给用户的感觉很臃肿,所心决定改用不带w...

特征权重计算——逆文档频率因子

特征权重计算——逆文档频率因子

什么是逆文档频率因子,简称IDF,IDF反映了在文档集合中一个单词对一个文档的重要性,经常在文本数据挖据与信息提取中用来作为权重因子。在一份给定的文件里,词频(termfrequency-TF)指的是...

朋友送我一本书,走进搜索引擎

朋友送我一本书,走进搜索引擎

SEO好友送我一本书——《走进搜索引擎》,该书由清华大学三个博士生所著。书中一针见血的指出了搜索引擎成功的5大需求,快、全、准、稳、省,并且阐述了搜索引擎的4大体系:下载系统、分析系统、索引系统、查询...

不可忽视的NoScript标签

不可忽视的NoScript标签

做seo的过程中,除了注意img标签的在alt属性外,还有一个不可忽视的标记——NoScript。搜索引擎在解析javascript时,大部分情况下,很多用户的浏览器还是支持javascr...

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问答七:网站权重是什么,如何提高网站权重?

SEO问答七:网站权重是什么,如何提高网站权重?

网站权重是什么 网站权重,简单的说就是搜索引擎给网站的一个评分,分值越高,权重越高。权重高就表示搜索引擎越重视你的网站,那么网站在搜索引擎中的排名就越好,搜索引擎给予的流量也就越多。明白了网...

评论列表

互传电商网
6年前 (2015-07-18)

还不错

动漫资讯
6年前 (2015-04-11)

博主不打算出现了吗

小碧池
7年前 (2014-06-27)

我觉得这个 是随机抓取的

小甜心88
7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。