提取文字

　　由于搜索引擎蜘蛛抓取的是頁面的HTML代碼，里面包含了大量的HTML標簽、js等無法用到排名上的內(nèi)容，所以搜索引擎索引首先要做的就是把其中的HTML標簽、js去掉，保留剩下的頁面文字內(nèi)容。

　　中文分詞

　　中文分詞是中文搜索引擎特有的步驟，英文單詞之間會有空格作分隔，而中文詞與詞之間沒有分隔符號，一個句子字與詞都是連在一起的。中文搜索引擎必須首先分辨那幾個字組成一個詞，哪些字本身就是一個詞。比如“健身方法”將被分詞為“健身”和“方法”兩個詞。

　　去停止詞

　　在頁面內(nèi)容中會存在很多對內(nèi)容沒有任何影響的詞，比如"的"、"之"、"卻"、"啊"之類。搜索引擎在索引時會把這些詞去掉，讓頁面內(nèi)容的主題更加突出。

　　去重(為什么偽原創(chuàng)弊大于利)

　　搜索引擎為了減少搜索結(jié)果中出現(xiàn)的重復內(nèi)容會選取頁面內(nèi)容中出現(xiàn)頻率最高的詞，通常會選出10個左右關(guān)于頁面的關(guān)鍵詞來計算頁面的“指紋”。

　　索引

　　經(jīng)過以上步驟之后，搜索引擎就可以提煉出可以代表一個頁面內(nèi)容的一些關(guān)鍵詞，同時記錄這些詞在頁面上的出現(xiàn)頻率、出現(xiàn)次數(shù)、格式、位置等信息。

　　鏈接關(guān)系計算

　　當頁面中存在鏈接時，搜索引擎會計算這些鏈接都只想哪些頁面，每個頁面都有哪些導入鏈接，鏈接使用了什么錨文字，這些復雜的鏈接指向關(guān)系形成了網(wǎng)站和頁面的鏈接權(quán)重。這些鏈接關(guān)系也是百度計算權(quán)重的重要依據(jù)之一，至于百度權(quán)重和鏈接分析出彩科技會在以后的文章中專門介紹。

　　頁面質(zhì)量判斷

　　在這個階段，搜索引擎會對頁面內(nèi)容質(zhì)量、鏈接質(zhì)量等作出判斷，比如百度的綠蘿、石榴算法。

　　提醒的是中文搜索引擎和其他國外搜索引擎還是有一定區(qū)別的，不過大致方向上是相同的，只要牢牢掌握其中一種，學習另外的也會相對簡單很多。