浅谈搜索引擎是怎么判定原创与抄袭

　　我们知道，网站原创内容在搜索引擎排名中占有重要地位，但做原创内容不容易，伪原创又怕不被当成原创，白做。那么我们先从搜索引擎角度去如何判定内容是原创还是抄袭。

　　很多站长都想利用原创内容来提高自己网站的收录与排名，但是做原创内容并不是一件容易的事，偶尔一两篇应该还行，要是一天一两篇，很多多人也是受不了，因为大多数站长都不是作家那样行如流水。比如要写一篇SEO的原创文章，若是自己本身都还不太了解SEO，那肯定是半天都都憋不出一个字来。所以，如何利用别人的文章来改成伪原创，让搜索引擎以为是原创内容，这是很多站长都追求的效果。

　　之前有人认为搜索引擎是利用“分词”与“索引”技术，没看过的可以看下这篇《网站建设中利用搜索引擎“分词”和“索引库”技术来做网站排名》地址是：http://www.kz27.com/seo-paiming/fenci-suoyin/ ，大家都很认同。我们来看看2010-02-21在百度搜索“网站建设中常见的DIV+CSS问题解决方法”时得出的结果：

　　从上图可以看出，搜索引擎确实是利用了分词技术：它把“网站建设中常见的DIV+CSS问题解决方法”分为“网站”、”建设”、”常见”、”div”、”CSS”、”问题”、”解决”、”方法“ 还有“网站的”,“div+css的”,“网站设计”。值得一提的是跟“网站建设”相关的“网站设计”也以红字出现。同时，在上面的搜索关键词中，有“的”也没有“的”搜索结果都是213篇文章，但排名有一点点小的改动。如下图：

　　注：以下纯属猜测，如有与搜索引擎算法相似，不胜荣幸，欢迎指正。

　　第一、首先，我们来分析索引擎是如何分析哪些是原创，哪些不是原创的

　　是原创还是复制别人的文章，要进行判断，那肯定需要进行“比较”。那怎么比较?我们先从搜索引擎地角度去想想看：

　　1.先是标题

　　如果是一样的，那很有可能是复制，但要是改了一下标题呢，如把《如何做伪原创文章》改成《教你怎么写伪原创内容》，意思没变，文字变了。所以，不能仅靠标题来判断是不是原创。但可以做以下分析：

　　因为搜索引擎的数据量实在太大，不可能对所有的内容进行遂一的结比，而是同样是使用“分词“技术：

　　(1)如果搜索引擎蛛蛛访问的页面是一个新的页面，那么，它将先把这个页面内容收集起来，放入一个数据库(或是其它)，等其它程序如专门对比内容是不是原创、是不是有价值的程序进行处理。这时候，这个内容将不会被搜索出来。

　　(2)分析内容。也是利用了分词技术，对标题、内容等进行分析。得出了这个页面的主要内容。如《周杰伦2010年专辑》这样的篇文章时，它将与包括”周杰伦“、”2010“、”专辑“这样的关键词的文章进行比较，而不用与所有的网页进行比较。如果结果是原创、比较有价值，则进行收录，给比较高的权重。如果被认为是复制或抄袭，则不进行收录，或是给的权重很低。顺便要说的是，对于这个页面的权重，不仅仅是跟其本身的内容、本身的内容有关，能不能有好的排名，还要跟整个站点的权重有关。打个比方，如果这个页面的权重是3，网站的权重是3，那加起来是6。要是别的网站转载了这个文章，文章的权重是1，但他的网站的权重是7，那加起来就是8。6<8所以转载的文章还是会排在原创文章的前面。

　　2.对文章的内容进行分析比较

　　首先从搜索引擎角度去考虑：

　　用户在做伪原创的时候，会经常用到的方法有：

　　(1)删除部分内容

　　(2)添加部分内容。在复制过来的文章里添加上两句，或是把多篇文章合在一起。

　　(3)调换内容顺序。把原文1.A，2.B，3.C，4.D，5.E 改成 1.C，2.B，3.E，4.A，5. D

　　用分词技术后对相关的内容进行比较，分析项目有：

　　(1)字数大小

　　(2)几个关键字出现频率

　　(3)文中任几句话

　　(4)链接

　　程序分析过程：

　　如果 (字数大小一样)并且(几个关键字出现频率一样)并且(文中任几句话一样)并且(链接指向与本文有90%以上的相似度的文章)

　　或者 文中任5句(长短不一，可能是5-30个字)以上的话是一致的

　　那么 判定为抄袭或伪原创。

　　由上面的程序分析过程中，可以看出：简单的删除内容、添加合并部分内容、调换内容顺序、段落顺序并不能让搜索引擎当做原创。为什么?因为用如上简单的的方法就可以看出大概了。字数大小、几个关键字出现频率、链接这都好办，文中任几句话对比这就不好办了。

　　文章来源：http://www.kz27.com/blog/zuo-yuanchuang-1/

　　由上可以看出，要做到被搜索引擎认为为是原创内容，绝大部分的内容都得改。那怎么改呢?下篇文章将和大家学习学习。