01.网页为何要去重?

对于搜索引擎来说，希望呈现给用户的是新颖且吸引人的内容，是高质量的文章，而不是大量的“换汤不换药”的套话;我们在做SEO优化，要进行内容编辑时，难免会参考其他同类的文章，而这篇文章或许被多人采集过，这就导致了网络上的相关信息大量的重复。

如果一个网站存在大量的恶劣采集内容，不仅会影响用户体验，还会造成搜索引擎直接屏蔽该网站。之后网站上的内容，蜘蛛再难抓取了。

02.搜索引擎工作原理

搜索引擎是指根据一定的策略、运用特定的计算机程序从互联网上搜集信息，在对信息进行组织和处理后，为用户提供检索服务，将用户检索相关的信息展示给用户的系统。

搜索引擎的工作原理：

第一步：爬行

搜索引擎是通过一种特定规律的软件跟踪网页的链接，从一个链接爬到另外一个链接，像蜘蛛在蜘蛛网上爬行一样，所以被称为“蜘蛛”也被称为“机器人”。搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需要遵从一些命令或文件的内容。

第二步：抓取存储

搜索引擎是通过蜘蛛跟踪链接爬行到网页，并将爬行的数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行。

第三步：预处理

搜索引擎将蜘蛛抓取回来的页面，进行各种步骤的预处理。

除了HTML 文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。 但搜索引擎还不能处理图片、视频、Flash 这类非文字内容，也不能执行脚本和程序。

第四步：排名

用户在搜索框输入关键词后，排名程序调用索引库数据，计算排名显示给用户，排名过程与用户直接互动的。但是，由于搜索引擎的数据量庞大，虽然能达到每日都有小的更新，但是一般情况搜索引擎的排名规则都是根据日、周、月阶段性不同幅度的更新。

03.网页去重的代表性方法

搜索引擎包括全文索引、目录索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、门户搜索引擎与免费链接列表等。 去重的工作一般在分词之后索引之前，搜索引擎会在页面已经分出的关键词中，提取部分具有代表性的关键词进行计算，从而得出一个该网站关键词的特征。

目前, 网页去重代表性方法有3种。

1)基于聚类的方法。该方法是基于网页文本内容以6763个汉字作为向量的基, 文本中某组或某个汉字所出现的频率就构成了代表网页的向量, 通过计算向量的夹角确定是否是相同的网页。

2)排除相同URL方法。各种元搜索引擎去重主要采用此方法。它分析来自不同搜索引擎的网页URL, URL 相同, 即被认为是相同的网页, 可将其去除。

3)基于特征码的方法。这种方法利用标点符号多数出现在网页文本的特点, 以句号两边各5 个汉字作为特征码来唯一地表示网页。

三种方法中，第一种和第三种大多数还是基于内容来判定，所以很多时SEO人员会通过伪原创工具来修改文章内容，但是很多时候伪原创工具会将原文改的不通顺，这样也不利于排名与收录。

也有网站利用搜索引擎的漏洞，比如权重高的网站进行恶劣采集，因为权重高的网站蜘蛛会优先抓取，所以这种做法会不利于一些权重低的网站。