搜索引擎指纹算法汇总，帮助你网站内容收录更强

搜索引擎网页指纹技术在百度百科中的解释是：就是提取一个信息的特征，通常是一组词或者一组词+权重，然后根据这组词调用特别的算法，例如MD5，将之转化为一组代码，这组代码就成为标识这个信息的指纹。
搜索引擎在抓取内容之后，会首先剔除掉文章中的一些非特征信息关键词：我、你、他等称谓，而且、但是等连接词，了、么、呢、吧、啊等语气词。这些词 对于信息标识是没有帮助的。然后就是对文字信息的提取。文字信息的指纹信息提示是不容易的，而对于语音、图像指纹的提取就更加困难了，这也就是为什么搜索 引擎无法识别语音和图像的原因。

之前经常看到一些关于搜索引擎如何进行伪原创内容的文章，提到的方法主要有以下几种：
　　1、修改标题，将标题中的相近词进行替换，或是文字排序等。例如：原标题为“如何判断伪原创内容”，可以修改为“怎样对伪原创内容进行判断”。
　　根据信息指纹技术，这样的修改是无效的，我们要想让搜索引擎认为 我们的标题不同，则需要比较大的改动。例如我可以将原标题修改为“搜索引擎判断伪原创内容的标准”，这个标题就更容易被搜索引擎判定为原创。
　　2、内容段落的错落排序，将别人的文章段落进行颠倒，或是文章中的一些文字结构进行颠倒。
　　这样的方法其实是没用的，因为信息指纹技术提取的内容还是和原文章基本一样，搜索引擎能够在数据库中找到相同信息指纹的文章，所以会将你的文章判定为采集文章。
　　3、文章拼合，将相同主题的不同文章进行段落的拼合。
　　很多人想颠倒段落不行，那么多篇文章进行拼合总是可以的。但事实是这种方法同样是没有效果的，因为搜索引擎抓取信息指纹后与整个数据库进行比对，不同段落的信息指纹还是能够在数据库中找到相同的指纹。
　　4、在文章中强行添加关键词，这一般是在一些相关性的文章，进行稍微的修改，然后强行添加关键词，这是比较早的一种伪原创内容方法。
　　这个就要说到我们图片中的内容了，图片中前面一列的指纹是原来文章的指纹，而后一列是强行添加SEO关键词后的指纹，明显能够看到指纹出现很大的变 化，所以这种方法是有效的。所以有些时候，我们在下载的小说中加入关键词，最后却能够得到很好的收录，原因就在于其由于信息指纹的不同，被搜索引擎认为是 原创内容（站群网站可以这样操作！）。但是从用户体验的角度来说，这样的文章可读性不高。
　　说到这里你是不是想到了如何才能做好伪原创呢?
一般来说，搜索引擎判断复制网页都基于这么一个思想：为每个网页计算出一组信息指纹(Fingerprint)，若两个网页有一定数量相同的信息指纹，则认为这两个网页的内容重叠性很高，也就是说两个网页是内容复制的。
　　很多搜索引擎判断内容复制的方法都不太一样，主要是以下两点的不同：
　　1、计算信息指纹(Fingerprint)的算法;
　　2、判断信息指纹的相似程度的参数。
　　在描述具体的算法前，先说清楚两点：
　　1、什么是信息指纹?信息指纹就是把网页里面正文信息，提取一定的信息，可以是关键字、词、句子或者段落及其在网页里面的权重等，对它进行加密，如MD5加密，从而形成的一个字符串。信息指纹如同人的指纹，只要内容不相同，信息指纹就不一样。
　　2、算法提取的信息不是针对整张网页，而是把网站里面共同的部分如导航条、logo、版权等信息(这些称之为网页的“噪音”)过滤掉后剩下的文本——去噪过程。

分段签名算法
　　这种算法是按照一定的规则把网页切成N段，对每一段进行签名，形成每一段的信息指纹。如果这N个信息指纹里面有M个相同时(m是系统定义的阙值)，则认为两者是复制网页。这种算法对于小规模的判断复制网页是很好的一种算法，但是对于像google这样海量的搜索引擎来说，算法的复杂度相当高。

基于关键词的复制网页算法
　　比如，Google这类搜索引擎，他在抓取网页的时候都会记下以下网页信息：
　　1、网页中出现的关键词(中文分词技术)以及每个关键词的权重(关键词密度);
　　2、提取meta descrīption或者每个网页的512个字节的有效文字。
　　关于第2点，baidu和google有所不同，google是提取你的meta descrīption，而百度是直接提取后者。
　　在以下算法描述中，我们约定几个信息指纹变量。Pi表示第i个网页;该网页权重最高的N个关键词构成集合Ti={t1,t2,...tn}，其对应的权重为Wi={w1,w2,...wi}摘要信息用Des(Pi)表示，前n个关键词拼成的字符串用Con(Ti)表示，对这n个关键词排序后形成的字符串用Sort(Ti)表示。以上信息指纹都用MD5函数进行加密。
　　MD5即Message-Digest Algorithm 5(信息-摘要算法5)，用于确保信息传输完整一致。是计算机广泛使用的杂凑算法之一(又译摘要算法、哈希算法)，主流编程语言普遍已有MD5实现。将数据(如汉字)运算为另一固定长度值，是杂凑算法的基础原理，MD5的前身有MD2、MD3和MD4。MD5的作用是让大容量信息在用数字签名软件签署私人密钥前被"压缩"成一种保密的格式(就是把一个任意长度的字节串变换成一定长的十六进制数字串)。
　　基于关键词的复制网页算法有以下5种：
　　1、MD5(Des(Pi))=MD5(Des(Pj)),就是说摘要信息完全一样，i和j两个网页就认为是复制网页;
　　2、MD5(Con(Ti))=MD5(Con(Tj)),两个网页前n个关键词及其权重的排序一样，就认为是复制网页;
　　3、MD5(Sort(Ti))=MD5(Sort(Tj)),两个网页前n个关键词一样，权重可以不一样，也认为是复制网页。
　　4、MD5(Con(Ti))=MD5(Con(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则认为两者是复制网页。
　　5、MD5(Sort(Ti))=MD5(Sort(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则认为两者是复制网页。
　　关于第4和第5的那个阙值a,主要是因为前一个判断条件下，还是会有很多网页被误伤，搜索引擎开发根据权重的分布比例进行调节，防止误伤。
　　当然这里只是一个简单的介绍，指纹本身的判断方法是很复杂的，大家如果能很好的知道搜索引擎这些指纹的计算原理和方法，那么针对搜索引擎的原创判断就很容易解决了，你只需要针对这些算法改变文章的某些内容，让计算结果不一样就行了，毕竟搜索引擎没有那么智能，它看到的只是结果看不到内容。当然我们不建议去过多的研究这些算法，想方设法的钻空子。真真正正的写原创才是是最好，seo需要脚踏实地，坚持才能有收获。