SEO內容中,通常叫預處理是索引,這是由于后者是前者的主要的一步。對于蜘蛛抓到的頁面,不可以查詢排序,搜索引擎的頁面是在萬億頁的頁面中,當進行搜索的是偶,用程序不停地進行頁面的分析是不現實的,因為工作量太大,不會很快的搜出來。所以對于里面的東西得經過一個預處理,給之后的查詢鋪墊。
與蜘蛛的尋找抓取一樣,預處理也在后臺,當用戶使用的時候,覺不出來這一步。
提取
目前文字為主要的部分。蜘蛛抓到超文本標記代碼,我們可以在瀏覽器上看到很多的文字,還有超文本標記語言的格式標簽、Java描述語言不能作為排名的。搜索引擎需要的與預處理是從超文本標記語言中去掉上面的兩種內容,提取可以作為排名效果的文字。
提取的內容不僅有字,還有包含這些字的代碼,像Meta標簽的字,圖、Flash文件代替字,鏈接錨文本……
中文獨有的分詞
分詞是中文自己的步驟。搜索引擎的工作是根據詞來進行的。英文中單詞是有空格區分,句子就是多個單詞。中文詞沒有分開,都是字相連的。所以,搜索引擎需要知道哪些字組成的詞,或者哪些字就是詞。就像“學習方式”中,“學習”和“方式”就是兩個詞。
對于怎樣分詞,是這樣的:根據詞典,根據統計。
根據字典是這樣的,把進行比較的文字和字典中的詞條相互比較,將一個單獨的詞劃出來。根據掃描的順序,從字典進行比較可以分為正向、逆向。根據匹配長短的順序,分為了極小、極大匹配。把這兩種混合,成了正向極大匹配等不一樣的方式。
詞典比較很簡單,準確度是根據其完整與否、增加內容的樣子進行劃分的。
根據統計進行處理是在使用了很多的文字已有樣式,算出字之間相鄰的統計出現情況,多個字靠在一起出現的多了,就更容易作為一個詞。這種的好處是對新詞的處理快,能夠將不對的意思避免。
相關熱搜詞: