您所在的位置: 首頁?>?千搜學院 > 網(wǎng)站優(yōu)化
SEO內(nèi)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(xiàn)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(jīng)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(nèi)容,提取可以作為排名效果的文字。
提取的內(nèi)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(jù)詞來進行的。英文中單詞是有空格區(qū)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(jù)詞典,根據(jù)統(tǒng)計。
根據(jù)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(jù)掃描的順序,從字典進行比較可以分為正向、逆向。根據(jù)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(jù)其完整與否、增加內(nèi)容的樣子進行劃分的。
根據(jù)統(tǒng)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(tǒng)計出現(xiàn)情況,多個字靠在一起出現(xiàn)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?qū)⒉粚Φ囊馑急苊狻?/span>