提取文字

　　由于搜索引擎蜘蛛抓取的是頁面的HTML代碼，里面包含了大量的HTML標簽、js等無法用到排名上的內容，所以搜索引擎索引首先要做的就是把其中的HTML標簽、js去掉，保留剩下的頁面文字內容。

　　中文分詞

　　中文分詞是中文搜索引擎特有的步驟，英文單詞之間會有空格作分隔，而中文詞與詞之間沒有分隔符號，一個句子字與詞都是連在一起的。中文搜索引擎必須首先分辨那幾個字組成一個詞，哪些字本身就是一個詞。比如“健身方法”將被分詞為“健身”和“方法”兩個詞。

　　去停止詞

　　在頁面內容中會存在很多對內容沒有任何影響的詞，比如"的"、"之"、"卻"、"啊"之類。搜索引擎在索引時會把這些詞去掉，讓頁面內容的主題更加突出。

　　去重(為什么偽原創弊大于利)

　　搜索引擎為了減少搜索結果中出現的重復內容會選取頁面內容中出現頻率最高的詞，通常會選出10個左右關于頁面的關鍵詞來計算頁面的“指紋”。

　　索引

　　經過以上步驟之后，搜索引擎就可以提煉出可以代表一個頁面內容的一些關鍵詞，同時記錄這些詞在頁面上的出現頻率、出現次數、格式、位置等信息。

　　鏈接關系計算

　　當頁面中存在鏈接時，搜索引擎會計算這些鏈接都只想哪些頁面，每個頁面都有哪些導入鏈接，鏈接使用了什么錨文字，這些復雜的鏈接指向關系形成了網站和頁面的鏈接權重。這些鏈接關系也是百度計算權重的重要依據之一，至于百度權重和鏈接分析出彩科技會在以后的文章中專門介紹。

　　頁面質量判斷

　　在這個階段，搜索引擎會對頁面內容質量、鏈接質量等作出判斷，比如百度的綠蘿、石榴算法。

　　提醒的是中文搜索引擎和其他國外搜索引擎還是有一定區別的，不過大致方向上是相同的，只要牢牢掌握其中一種，學習另外的也會相對簡單很多。