《搜索引擎优化（SEO）基础原理》由会员分享，可在线阅读，更多相关《搜索引擎优化（SEO）基础原理（6页珍藏版）》请在金锄头文库上搜索。
1、今天写篇科普文，讲讲搜索引擎的技术机理和市场竞争的一些特点。当然，作为从事或有 兴趣从事流量运营的朋友，是可以用另一个角度去理解本文。搜索引擎的核心技术架构，大体包括以下三块，第一，是蜘蛛/爬虫技术；第二，是索引技 术；第三是查询展现的技术； 当然，我不是搜索引擎的架构师，我只能用比较粗浅的方式 来做一个结构的切分。1、 蜘蛛，也叫爬虫，是将互联网的信息，抓取并存储的一种技术实现。蜘蛛，也叫爬虫，是将互联网的信息，抓取并存储的一种技术实现。搜索引擎的信息收录，SEO 实战培训很多不明所以的人会有很多误解，以为是付费收录， 或者有什么其他特殊的提交技巧，其实并不是，搜索引擎通过互联网一些公开知名
2、的网站， 抓取内容，并分析其中的链接，然后有选择的抓取链接里的内容，然后再分析其中的链接， 以此类推，通过有限的入口，基于彼此链接，形成强大的信息抓取能力。有些搜索引擎本身也有链接提交入口，但基本上，不是主要的收录入口，不过作为创业者， 建议了解一下相关信息，百度，google 都有站长平台和管理后台，这里很多内容是需要 非常非常认真的对待的。反过来说，在这样的原理下，一个网站，只有被其他网站所链接，才有机会被搜索引擎抓 取。如果这个网站没有外部链接，或者外部链接在搜索引擎中被认为是垃圾或无效链接， 那么搜索引擎可能就不抓取他的页面。分析和判断搜索引擎是否抓取了你的页面，或者什么时候抓取你的页
3、面，只能通过服务器 上的访问日志来查询，如果是 cdn 就比较麻烦。 而基于网站嵌入代码的方式，不论是cnzz，百度统计，还是 google analytics，都无法获得蜘蛛抓取的信息，因为这些信息不 会触发这些代码的执行。一个比较推荐的日志分析软件是 awstats。在十多年前，分析百度蜘蛛抓取轨迹和更新策略，是很多草根站长每日必做的功课，比如 现在身价几十亿的知名 80 后上市公司董事长，当年在某站长论坛就是以此准确的分析判 断而封神，很年轻的时候就已经是站长圈的一代偶像。但关于蜘蛛的话题，并不只基于链接抓取这么简单，延伸来说第一，网站拥有者可以选择是否允许蜘蛛抓取，有一个 robots
4、.txt 的文件是来控制这个的。一个经典案例是 https:/ 你会看到，淘宝至今仍有关键 目录不对百度蜘蛛开放，但对 google 开放。另一个经典案例是 http:/ 你看出什么了？你可能什么都 没看出来，我提醒一句，百度实质上全面禁止了 360 的蜘蛛抓取。但这个协议只是约定俗成，实际上并没有强制约束力，所以，你们猜猜，360 遵守了百度 的蜘蛛抓取禁止么？第二，最早抓取是基于网站彼此的链接为入口，但实际上，并不能肯定的说，有可能存在 其他抓取入口，比如说，客户端插件或浏览器， 免费网站统计系统的嵌入式代码。 会不会成为蜘蛛抓取的入口，我只能说，有这个可能。所以我跟很多创业者说，中国做网
5、站，放百度统计，海外做网站，放 google analytics， 是否会增加搜索引擎对你网站的收录？我只能说猜测，有这个可能。第三，无法被抓取的信息有些网站的内容链接，用一些 javascript 特殊效果完成，比如浮动的菜单等等，这种连接， 有可能搜索引擎的蜘蛛程序不识别，当然，我只是说有可能，现在搜索引擎比以前聪明， 十多年前很多特效链接是不识别的，现在会好一些。需要登录，需要注册才能访问的页面，蜘蛛是无法进入的，也就是无法收录。有些网站会给搜索特殊页面，就是蜘蛛来能看到内容（蜘蛛访问会有特殊的客户端标记， 服务端识别和处理并不复杂），人来了要登录才能看，但这样做其实是违反了收录协议 （
6、需要人和蜘蛛看到的同样的内容，这是绝大部分搜索引擎的收录协议），有可能遭到搜 索引擎处罚。所以一个社区要想通过搜索引擎带来免费用户，必须让访客能看到内容，哪怕是部分内容。带很多复杂参数的内容链接 url，有可能被蜘蛛当作重复页面，拒绝收录。很多动态页面是一个脚本程序带参数体现的，但蜘蛛发现同一个脚本有大量参数的网页， 有时候会给该网页的价值评估带来困扰，蜘蛛可能会认为这个网页是重复页面，而拒绝收 录。还是那句话，随着技术的发展，蜘蛛对动态脚本的参数识别度有了很大进步，现在基 本上可以不用考虑这个问题。但这个催生了一个技术，叫做伪静态化，通过对 web 服务端做配置，让用户访问的页面， url
7、格式看上去是一个静态页，其实后面是一个正则匹配，实际执行的是一个动态脚本。很多社区论坛为了追求免费搜索来路，做了伪静态化处理，在十多年前，几乎是草根站长 必备技能之一。爬虫技术暂时说到这里，但是这里强调一下，有外链，不代表搜索蜘蛛会来爬取，搜索蜘 蛛爬取了，不代表搜索引擎会收录；搜索引擎收录了，不代表用户可以搜索的到；site 语法是检查一个网站收录数的最基本搜索语法，我开始以为是 abc 的常识，直到在新 加坡做一些创业培训后交流才发现，大部分刚进入这个行业的人，或者有兴趣进入这个行 业的人，对此并不了解。一个范例，百度搜索一下 site:2、索引系统、索引系统蜘蛛抓取的是网页的内容，那么要
8、想让用户快速的通过关键词搜索到这个网页，就必须对 网页做关键词的索引，从而提升查询效率，简单说就是，把网页的每个关键词提取出来， 并针对这些关键词在网页中的出现频率，位置，特殊标记等诸多因素，给予不同的权值标 定，然后，存储到索引库中。那么问题来了，什么是关键词。 英文来说，比如 this is a book，中文，这是一本书。 英文很自然是四个单词，空格是天然的分词符，中文呢？你不能把一句话当作关键词吧 （如果把一句话当作关键词，那么你搜索其中部分信息的时候，是无法索引命中的，比如 搜索一本书，就搜索不出来了，而这显然是不符合搜索引擎诉求的）。所以要分词。最开始，最简单的思路是，每个字都切开
9、，这个以前叫字索引，每个字建立索引，并标注 位置，如果用户搜索一个关键词，也是把关键词拆成字来搜索再组合结果，但这样问题就 来了。比如搜索关键词 “海鲜”的时候，会出现结果，上海鲜花，这显然不是应该的搜索结果。 比如搜索关键词 “和服”的时候，会出现结果，交换机和服务器。这些都是蛮荒期的 google 也不能幸免的问题。到后来有个梗，别笑，这些都是血泪梗，半夜电话过来，说网监通过搜索发现你社区有淫 秽内容要求必须删除，否则就关闭你的网站，夜半惊醒认真排查，百思不得其解，苦苦哀 求提供信息线索，最后发现，有人发了一条小广告，“求购二十四口交换机” 。 还有，涉 嫌政治敏感，查到最后 “提供三立服
10、务器”， 看出其中敏感词了没？你说冤不冤。 这两个故事可能并不是真的，因为都是网上看到的，但是我想说，类似这样的事情真的有， 并非都是空穴来风。所以，分词，是亚洲很多语言需要额外处理的事情，而西方语言不存在的问题。但分词不是说说那么简单，比如几点，1：如何识别人名？2、互联网新词如何识别？比如 “不明觉厉”。3、中英混排的坑，比如 QQ 表情。做一个分词系统，说到底也不难，但是要做一个自动学习，与时俱进，又能高效率灵活的 分词引擎，还是很有技术难度的。 当然，这方面我不是专家，不敢妄言了。现在机器学习技术发达了，特别是 google 在深度学习领域拥有领先优势，以前很多通过 人工做标定，做分类
11、的工作可以交给算法完成，从某种意义来说，本地化的工作可以让机 器学习去完成；未来，也许深度学习技术可以自己学习掌握本地化的技巧。 但我想说两点， 第一，从搜索引擎发展历史看，在深度学习技术还没成熟的情况下，本地化的工作是非常 重要的，也是很重要的决定竞争成败的要素；第二，即便现在深度学习已经很强大，基于 当地语言的人工参与，标定，测试，反馈，一些本地化的工作依然对深度学习的效率和效 果拥有不可替代的作用。索引系统除了分词之外，还有一些要点，比如实时索引，因为一次索引库的更新是个大动 静，一般网站运营者知道，自己网站内容更新后，需要等索引库下一次更新才能看到效果， 而且索引库针对不同权重的网站内
12、容，更新的频次也不太一样。 但诸如一些高优先的资讯 网站，以及新闻搜索，索引库是可以做到近似实时索引的，所以我们在新闻搜索里，几分 钟前的信息就已经可以搜索到了。我以前经常吐槽一个事情，我在百度空间发表的文章，每次都是 google 率先索引收录， 当时他们的解释是，猜测是因为很多人通过 google 阅读器订阅我的博客，而 google 阅 读器很可能是 google 快速索引的入口。（然并卵，百度空间已经没有了，google 阅读器 也没有了。）索引系统的权值体系，是所有 SEOER 们最关心的问题，他们经常通过不同方式组合策略， 观察搜索引擎的收录，排名，来路情况，然后通过对比分析整理出
13、相关的策略，这玩意说 出来可以开很长一篇了，但今天就不提了。但我说一个事实，很多外面的公司，做 SEO 的，会误认为百度里面的人熟悉这里的门道 和规律，很多人高价去挖百度的搜索产品经理和技术工程师去做 SEO，结果，呵呵，呵呵。而外面那些草根创业者，有些善于此道的，真的比百度的人还清楚，搜索权值的影响关系， 和更新频次等等，比如前面说到的，身价几十亿的那个 80 后创业者。基于结果反推策略，比身在其中却不识全局的参与者，更能找到系统的关键点，有意思不。3、查询展现、查询展现用户在浏览器或者在手机客户端输入一个关键词，或者几个关键词，甚至一句话，这个在 服务端，应答程序获取后处理步骤如下第一步，
14、会检查最近时间有没有人搜索过同样的关键词，如果存在这样的缓存，最快的处 理是将这块缓存提供给你，这样查询效率最高，对后端负载压力最低。第二步，发现这个输入查询最近没有搜索，或者有其他条件的原因必须更新结果，那么会 将这个用户输入的词，进行分词，没错，如果不止一个关键词，或者是一句话的情况下， 应答程序会又一次分词，将搜索的查询拆成几个不同的关键词。第三步，将切分后的关键词分发到查询系统中，查询系统会去索引库查询，索引库是个庞 大的分布式系统，先分析这个关键词属于哪一块哪一台服务器，索引是一种有序的数据组 合，我们用可以用近似二分法的方式思考，不管数据规模多大，你用二分法去查找一个结 果，查询频
15、次是 log2(N)，这个就保证了海量数据下，查询一个关键词是非常快非常快的。当然，实际情况会比二分法复杂很多，这样说比较容易理解而已，再复杂些不是我不告诉 大家，是我自己都不是很清楚呢。第四步，不同关键词的查询结果（只是按权值排序的部分顶部结果，绝对不是全部结果）， 基于权值倒序，会再汇总在一起，然后把共同命中的部分反馈回来，并做最后的权值排序。记住，搜索引擎绝对不会返回所有结果，这个开销谁都受不了，百度也不行，google 也 不行，翻页都是有限制的。再记住，如果你多个关键词里有多个不同品类冷门词，搜索引擎有可能会舍弃其中一个冷 门词，因为汇总数据很可能不包含共同结果。搜索技术不要神话，这
16、样的范例偶尔会出现。这是三大部分，多说一点，其实还有第四部分。用户点击行为采集和反馈部分基于用户的翻页，点击分布，对搜索结果的优劣做判定，并对权值做调整，但这个早期搜 索引擎是没有的，后面才有，所以暂时不列为必备的三大块。此外，一些对搜索优化的机器学习策略，对易混词识别，同音词识别等等，相当部分也都 基于用户行为反馈进行，这是后话，这里不展开。关于第四部分，我以前说过一个词，点击提权，我说这个词价值千金，我猜很多人并没理 解。没理解就好，要不我要被一些同行骂死了。以上是单指搜索引擎的工作原理，和一些技术逻辑，当然，只是入门级的解读，毕竟再深 入就不是我能讲解的了。但搜索引擎的本地化，并不局限于搜索技术的本地化。百度的强大，不只是搜索技术，当然有些人会说百度没有搜索技术，这种言论我就不争论 了，我不试图改变任何人的观点，我只列一些事实而已。百度的强大还来自于两大块，第一是内容护城河，第二是入口把控。前者是百度贴吧，百度 mp3，百度知道，百度百科，百度文库。
