內容采集(沒(méi)有干貨采集內容對SEO是否有效？(圖))

　　[GOGO Chuang:] 太可惜了這么久才開(kāi)通留言功能。

　　采集 內容對SEO有效嗎？

　　有人說(shuō)采集的內容對搜索引擎不是很友好，也不容易獲得排名。這是肯定的，也是不可避免的。

　　對于大多數網(wǎng)站來(lái)說(shuō)，采集 的內容肯定不如 UGC 或精心編輯的內容有效。但是，搜索引擎能夠獲取到的原創(chuàng )內容量已經(jīng)沒(méi)有以前那么多了。畢竟內容制作平臺已經(jīng)轉移，早就不再專(zhuān)注于網(wǎng)站。其他幾個(gè)搜索引擎還在互相追趕，更不用說(shuō)小網(wǎng)站了。

　　因此，采集的內容仍然有效，但對采集的內容進(jìn)行后處理的成本越來(lái)越高。

　　采集內容后處理

　　擔心采集的內容太差或者容易被K攻擊，主要看如何對內容進(jìn)行后處理。打個(gè)比方：

　　這就像從沃爾瑪拿一籃獼猴桃，完好無(wú)損地放進(jìn)家樂(lè )福。最多只能是原價(jià)，因為獼猴桃還是獼猴桃，產(chǎn)品不變。但是把獼猴桃擠成汁（形狀變化），加一點(diǎn)水裝瓶（顆粒大小變化），在711賣(mài)（平臺變化），價(jià)格可以翻倍（增值）

　　為什么？

　　因為形狀變了，果汁是不同于水果的商品，果汁更容易吸收

　　因為平臺變了，711定價(jià)本身比沃爾瑪家樂(lè )福高一點(diǎn)

　　因為粒度變了

　　前三項變化導致價(jià)值翻倍

　　如果將“采集content”比作“獼猴桃”，則“采集content”的后處理策略如下：

　　形式

　　有無(wú)數種方式來(lái)組織內容。無(wú)論是將相同的內容拆分并分發(fā)到多個(gè)地方，還是將多個(gè)相關(guān)內容聚合在一個(gè)地方，或者其他方式，都可以讓搜索引擎更容易接受。

　　平臺

　　在技??術(shù)行業(yè)有一個(gè)專(zhuān)業(yè)。從新浪對一些垂直行業(yè)內容的把握，到相應的行業(yè)垂直網(wǎng)站，絕對比放在新浪上更合適。把專(zhuān)業(yè)的內容變成專(zhuān)業(yè)的網(wǎng)站。

　　粒度

　　抓取相同的內容。粒度越細，原創(chuàng )在搜索引擎中的度就越高。舉個(gè)極端的例子，星座股被命名為八卦、算命、生日、風(fēng)水、算命、qq圖片、動(dòng)態(tài)圖片……這種類(lèi)型的站，哪些內容不重復？

　　獲得

　　采集的目的是填補內容上的漏洞，讓同一話(huà)題的內容比其他的更豐富、更充實(shí)，從而增加頁(yè)面內容的價(jià)值。

　　采集內容完整流程

　　關(guān)于“采集內容處理”，從抓取到上線(xiàn)的整個(gè)過(guò)程，需要解決以下問(wèn)題：

　　采集內容從何而來(lái)？

　　采集如何抓取內容？

　　采集如何處理內容？

　　采集內容從何而來(lái)？

　　對于認真認真的人，更適合定位采集，購買(mǎi)專(zhuān)業(yè)數據。

　　針對采集，只捕獲了幾個(gè)特定的??網(wǎng)站特定范圍，與本站內容漏洞高度相關(guān)。

　　對于那些不正式做網(wǎng)站的人來(lái)說(shuō)，還有更多的選擇?？梢宰ト↑c(diǎn)的內容，而且量大，所以不需要限制某些網(wǎng)站的抓取。有人稱(chēng)它為 pan采集

　　設置幾個(gè)話(huà)題，直接抓取各大平臺的搜索結果。大平臺是什么意思？海量?jì)热菁械牡胤剑焊鞣N搜索引擎、各種門(mén)戶(hù)、今日頭條、微信微博、優(yōu)酷土豆等。

　　采集如何抓取內容？

　　方向 采集：

　　稍微，你可以做你通常做的任何事情。

　　潘采集：

　　有針對性的爬蟲(chóng)僅限于網(wǎng)頁(yè)模板。在此基礎上增加了幾種內容分析算法來(lái)提取內容，改為通用爬蟲(chóng)。

　　很多瀏覽器插件，比如印象筆記之類(lèi)的，都有很多類(lèi)似“只看文字”的功能。一鍵只會(huì )顯示當前網(wǎng)頁(yè)的文字信息。很多人已經(jīng)將這種算法移植到python、php、java等編程中，語(yǔ)言方面，隨便搜索。

　　采集如何處理內容？

　　兩個(gè)連續的過(guò)程：

　　原創(chuàng )內容的處理

　　整理處理后的內容

　　原創(chuàng )內容的處理

　　百度專(zhuān)利稱(chēng)，搜索引擎除了根據文本判斷內容相似度外，還會(huì )判斷html的dom節點(diǎn)的位置和順序。如果兩個(gè)網(wǎng)頁(yè)的html結構相似，也可能被視為重復內容。

　　所以采集的內容不能直接上傳，必須清理源碼。每個(gè)人都有不同的方式，個(gè)人一般是這樣做的：

'''

html清洗

保留主要標簽：p、img

#刪除標簽中不重要的屬性

'''

a = re.sub(r'','',content).strip()

b = re.sub(r']*?>','<p>',a)

newcontent = re.sub(r'alt="[^"]*?"','alt="%s"' % title,b).lower()

#刪除中文字數 < 100字的

text = re.sub("[\s+\.\!\/_,$%^*(+\"\']+|[+——！，:：。？、~@#￥%……&*（）“”《》]+".decode("utf8"), "".decode("utf8"),newcontent)

text2 = re.sub(']*?>','',text)

words_number = len(text2)

　　刪除垃圾郵件

　　如“XXX網(wǎng)編者：XXX”、郵箱等。.

　　整理處理后的內容

　　其實(shí)就是線(xiàn)條形式的變化。之前寫(xiě)過(guò)一篇關(guān)于“組織內容”的幾種方式的文章，參見(jiàn)：【SEO】如何對網(wǎng)站的內容進(jìn)行逆向處理？