SEO如何处理采集内容(2)

【GOGO闯】:上回时间太赶,对采集内容处理写的很浅,在实际操作过程中仍有很多奇淫巧技,需要创意与技术的结合。此文全程装逼。

回顾

上回说道处理采集内容的两个先后步骤:

对原始内容的处理
对处理后内容进行组织
第一块,对原始内容的处理,上篇主要针对html源码信息的处理,但没说对文本信息该如何处理。

下面分享下本渣渣曾经使用的一些,对采集内容文本的处理方式…

对原始采集内容文本信息的处理

对元数据的处理,这边忽略,因为元数据主要是添加逻辑上的映射。比如我一个企业黄页的网站,去抓了“XXX公司的规模、商标、年营业额、法人信息”等元数据,我需将这些元数据与本站库内对应的企业做个关联即可。因为元数据属于短文本,即采即上,无需做重复性方面的处理。

如果采集内容是连续大段的长文本,为了保证SEO效果,对html源码处理后,也可以进行文本的处理。

文本信息处理,包括标题和正文两部分(不考虑人工修改,只考虑批量处理)

标题

要我说SEO最重要的点、最最核心的点,就是“词”,其他的SEO手法、技巧都是在“选对词”的基础上才有大效果。

最终目的是让标题中出现用户可能会搜索的词,详情页标题中的词最好是有一点点搜索量的、百度搜索结果少的,而不是热词、谁都抢着做的词。

首先一个网页标题出现的关键词越热门,被收录的几率越低,这是可以肯定的,所以不要58赶集这些大站点做啥词,一个采集站也跟着做,除非本身权重高,否则基本没戏的。

其次,在垂直行业领域和充满个性化搜索内容的领域,竞争小且有些流量的词可以挖出很多的。垂直领域的这些词不容易找,因为需要对行业的理解,仅靠SEO工具不容易发现。

个性化搜索内容领域,如编程开发、娱乐八卦等,这类领域永远充满个性化的搜索词,随着时间的推移会源源不断的产生新的搜索行为,只要搜索引擎不完蛋,这个领域就永远充满搜索流量,所以仔细观察,好些活的挺长的流量站,内容选型大多符合这个特性,不像“招聘、二手车”之类的行业,用户的搜索行为基本是不变的,几个站都抢同一批词,都饱和白热化了,流量自然不好做。

采集标题如何插入搜索词

如果采集的目标网站,他们的标题本身就不符合SEO,比如抓了一堆新闻标题,如何让标题尽可能的集中用户可能会搜的词?本渣渣之前尝试过这些方法:

方法一:精简原始标题

步骤如下:

对原始标题分词
去除停止词
获取词缀词性
去除修饰词,如形容词、副词、介词…,保留原标题主谓宾,获取句子主干
基于python的jieba模块实现,要删除的修饰词可以预先分析大量的标题来提取,追加到字典中。github有现成的提取句子主干的轮子,好像用的nltk。

貌似1688部分产品页的title就是这么搞的,把用户发布的产品名中一些无关大雅的词缀干掉,提取主干放到title标签中。

方法二:插入搜索词

步骤如下:

搭建xunsearch或其他的开源搜索,对采集标题创建索引
用提前准保好的搜索词(就是要做的那些词)依次到搜索接口中搜索
对搜索结果中出现的标题前方插入当前搜索词
比如原标题是:“斗鱼美女主播直播睡觉一夜狂澜20万”…..,我要做的词有“斗鱼美女直播”,则标题前插入关键词:“[斗鱼美女直播]斗鱼美女主播直播睡觉一夜狂澜20万”

当然也可以:“{强行插入的搜索词}{精简后的原始标题}”

方法三:插入当前标题已包含搜索词的衍生词、相关搜索词

步骤如下:

抓取标题已包含搜索词的百度相关搜索或下拉框,或者通过Word2vec算法分析其他抓取内容正文,获取该搜索词的同义词..
标题中插入相关搜索或下拉框的词
如:”[{百度相关搜索词1}]{精简标题}”、“[{下拉框推荐词1}{原始标题}]”……相互组合啦……

正文

正文的处理主要是针对重复性,尽量降低与原始内容的相似性,本渣渣用过以下方法:

正文开头、结尾处插入随机文本

比如插入当前标题包含搜索词的相关搜索词:“本文包含其他主题:{相关搜索词1} {相关搜索词2} {相关搜索词3}…”
比如插入当前页面的历史referer词,“用户曾经通过 {referer词1} {referer词2} {referer词3}…搜索到本页”
比如提前准备一些能够通用的文本模板,随机调用
修改正文内容

基于pagerank提取关键词,textrank算法提取文本摘要,其实就是把正文内容精简,提取主干信息,可能最终获得原始内容50%左右的字数。

为了防止字数过少,可以提前用k-means和tfidf,找出当前文章的相似文章,可以提取它们正文字数最长的段落的摘要,加到当前的文章中用作字数上的补全。

这样基本上文章是读的通的,符合中文语法,且原始正文是以词缀为粒度的删减,所以一定程度能够减少搜索引擎三字一判的重复性识别,对用户和搜索引擎都相对友好,虽然肯定比不上人工编辑的质量,但比市面上粗暴的同义词替换、段落增删的软件比起来好很多。比中文原封不动不改好一些。

采集内容上线

刚整理印象笔记时,看到之前的SEO频道采集内容的上线流程,看着蛮装逼的…

最后装逼

然而,依旧有很多奇淫巧技和具体细节没有说

【GOGO闯】微信公众号:流量贩子—请狠狠的+

补图:
模式

Leave a Comment