你晓得“baidu”这个查找引擎是怎么作业的吗?你有过这样的疑问吗,相同网站主题，为何在baidu上他的排行在我前面?本来都是baidu的排序算法摆布着咱们的网站排行。那好，咱们只需摸清楚baidu是怎么给咱们这些网站排行的话，咱们就能对症下药把咱们网站优化成它喜爱的网站，排行天然就上去喽!
　　本来，查找引擎的作业进程大体上可分为三个期间：
　　一、匍匐和抓取--查找引擎蜘蛛经过盯梢连接拜访网页，取得页面HTML代码存入数据库。
　　二、预处理--索引程序对抓取来的页面数据进行文字获取，中文分词，索引等处理，以备排行程序调用。
　　三：排行--用户输入关键字后，排行程序调用索引库数据，核算相关性，然后按必定格局生成查找成果页面。
　　那么疑问来了!咱们晓得，要想让咱们的网站让baidu录入到它的数据库中，就有必要让baidu蜘蛛在茫茫的互联网中发现咱们，蜘蛛的作业原理是顺着网站的连接地址进行匍匐抓取页面信息，单从理论上来说蜘蛛能够匍匐和抓取互联网上一切页面，可是实际上不能，也不会这么做，在这种前提下，蜘蛛所要做的即是尽量抓取重要页面。 所以，咱们咸宁SEO人员要想让自个的更多页面被录入，就要想方设法招引蜘蛛来抓取。
　　被查找引擎认为契合重要页面的几个要素：
　　1、网站和页面权重
　　2、页面更新度
　　3、导入连接
　　4、与主页点击间隔
　　咱们只要让咱们的网站向上面这4条信息挨近，才会被蜘蛛发现并录入到数据库中。好了，当咱们的网站信息被baidu录入后接下来就能够分为以下几个进程：
　　1、预处理。在一些咸宁SEO材猜中，“预处理”也被简称为“索引”，由于索引是预处理最首要的进程。咱们晓得在baidu数据库中录入的并不是现成的页面，而是“HTML”标签源代码，查找引擎预处理的作业内容首要除掉HTML代码后，剩余的用于排行的文字只是一行。
　　除了可见文字，查找引擎也会获取出一些特别的包括文字信息的代码，如：META标签中的文字，图像代替文字，Flash文件中的代替文字，连接锚文字等。
　　2、中文分词(这是中文查找引擎所特有的，谁让咱们的文化博学多才呢，没办法，即是固执!)。中文分词办法根本上有两种： 1、根据词典匹配--将待剖析的一段汉字与一个事前造好的词典中的词条进行匹配，在待剖析汉字串中扫描到词典中已有的词条则匹配成功，或者说切分出一个单词。 2、根据核算--指的是剖析大量文字样本，核算出字与字相邻呈现的核算概率，几个字相邻呈现越多，就越也许构成一个单词。
　　3、去中止词 。中止词--无论是英文仍是中文，页面内容中都会呈现频率很高，却对内容没有任何影响的词，如“的”、“地”、“得”之类的助词，“啊”、“哈”、“呀”之类的感叹词，“从而”、“以”、“却”之类的副词或介词，这些词被称为中止词。 由于这些中止词对页面的首要意思没啥影响，所以查找引擎索引页面之前会去掉中止词，使索引数据主题更为杰出，减少无谓的核算量。
　　4、消除噪声。所谓噪声，即是除了中止词以外，对页面主题没有啥贡献的要素，比方：博客页面的“文章分类”、“前史存档”等。
　　消噪的根本办法： 根据HTML标签对页面分块，区分出页头，导航，正文，页脚，关高级区域，在网站上大量重复呈现的区块旺旺归于噪声。对页面进行消噪后，剩余的才是页面主题内容。
　　5、去重。查找引擎在进行索引前还需要辨认和删去重复内容，这个进程就称为“去重”。其含义在于提高用户体会(查找引擎不喜爱重复性内容)。
　　去重办法： “去重”的根本办法是对页面特征关键字核算指纹，也即是说从页面主题内容中选取最有代表性的一部分关键字(经常是呈现频率最高的关键字)，然后核算这些关键字的数字指纹。
　　6、正向索引 。正向索引也能够简称为索引 ，查找引擎索引程序将页面及关键字构成词表结构存储进索引库。并由文件ID映射着其关键字内容，一一对应。
　　7、倒排索引。正向索引还不能用于排行，终究用于排行的是倒排索引。所以查找引擎会将正向索引数据库从头结构为倒排索引，把文件对应到关键字的映射转换为关键字的文件的映射。
　　8、连接联系核算。连接联系核算也是预处理中很重要的一部分。 查找引擎在抓取页面内容后，有必要事前核算出： 页面上有哪些连接指向哪些别的页面 每个页面有哪些导入连接 连接使用了啥锚文字 这些复杂的连接指向联系构成了网站和页面的连接权重。
　　9、特别文件处理。
　　查找引擎除了能够抓取HTML文件外，一般还能抓取和索引以文字为基础的多种文件类型，如：PDF、WORDS、WPS、PPT、TXT等文件。 目前查找引擎还不能处理图像、视频、Flash这类非文字内容，也不能履行脚本和程序。

来源：咸宁SEO