内容处理

内容处理即搜索引擎对Spider抓取回来的页面进行处理。处理▲▲▲骤02提取网页的文本信息★★★骤简单介绍如下。

步骤01 要判断该页面的类型

首先要判断该页面的类型是普通网页，还是PDF、Word、Excel等特殊文件文档。如果是普通网页还要判断该网页的类型是普通文本内容、视频内容，还是图片内容。甚至还会对网页是普通文章页还是论坛帖子进行判断，然后有针对性地进行内容处理。

步骤02 提取网页的文本信息

当下搜索引擎虽然在努力读取JavaScript、Flash、图片和视频，但是对于普通网页的索引还是以文本为主。此时还会提取页面的Title、Keywords、Description等标签中的内容，虽然一直有信息说Keywords标签已经被主流大型搜索引擎抛弃了，但是经过多人实际测试，至少百度多多少少还是会参考Keywords标签的。

步骤03 去除页面噪声

如果该网页是普通网页，则搜索引擎会把与该网页内容无关的广告、导航、链接、图片、登入框、网站版权信息等内容全部剔除掉，只提取出该网页的主体内容。其实目前在这一步中，百度并不会把主体内容之外的东西全部抛弃，相关推荐的内容在一定程度上也会被算作本页的内容，或者是对本页主体内容的补充，也会在搜索排名中有直观的体现。甚至与页面不相干的链接文本也会被保留索引，比如，百度搜索“复制本页链接”向后翻几页，就会看到如图2-7所示的结果。其实“复制本页链接”只存在于这些页面按钮上，但是也被索引了，如图2-8所示。所以搜索引擎的去除噪声，并不是很严格。因此SEO人员对于网页主体内容外的推荐内容、链接、链接锚文本等一切元素也要善于利用，而不是随便堆一些不相干的内容。很多人都说SEO需要注重细节，但是这些细节又有多少站长和SEO人员真正地重视、研究和利用了

步骤04 去除内容中的停止词

接下来应该是对剩余文本内容的分词处理  ，然后搜索引擎会剔除掉诸如“得”“的”“啊”“地”“呀”“却”之类的停止词。其实此步骤是存在疑问的，对于普通文章来说，去除这些停止词会有利于搜索引擎对内容进行分词和理解，并且可以减少搜索引擎的计算量。但是在搜索引擎中单独搜索这些词也是有丰富的搜索结果的， 当搜索包含这些词的关键词时，也会有比较丰富的搜索结果，不过会弱化这些停止词对搜索结果的影响，如图2-10所示。所以搜索引擎在对普通文章的处理中应该会有此步骤，但并不是机械严格去除的，也要看这些词在页面上的作用（搜索引擎在分词的时候也会进行词性识别，同一个词在不同位置词性可能不同）。此处对SEO人员的工作并没有太多影响，所以不必深究。