百度是怎么識別采集內容的

百度颶風算法2.0在本月會上線，重點打擊內容作弊，尤其是采集和偽原創。很多朋友就會問了，百度是如何識別內容是采集的呢，我對網站的首段和尾段都進行了修改，或者是做了純原創操作，百度還能識別出來嗎？本文，筆者就跟大家聊聊百度識別采集內容的那些事情。

我們知道，百度** 先對于內容的識別和判斷是基于分詞的，也就是說，百度會把抓取到的文章內容進行分詞，然后會按照詞頻的高低來判斷文章的主題。這里舉個很簡單的例子，比如說我們在某篇文章里估計插入大量的目標關鍵詞，百度僅僅用分詞來判斷，就會認為這篇文章的主題是我們插入的關鍵詞。這也是我們做seo優化強調關鍵詞密度的原因。關于關鍵詞密度的重要性，之前很重要，現在和以后還是會很重要，這是判斷搜索相關性很重要的因素。

那我們再說到采集，因為之前百度對于內容的判斷僅僅停留在分詞上，所以其實對于采集的識別判斷能力是很有限的，在某些程度上說根據分詞得出的指紋特征并不是很科學。這也就導致出現了很多偽原創工具，通過替換詞就能達到欺騙百度的目的，因為經過換詞處理以后，百度是判斷不出是否是采集內容的。不過對于整篇文章不做修改的采集，百度還是能很多的判斷的，畢竟指紋是一模一樣的。

但是，隨著颶風算法2.0的推出，百度搜索已經能很完美的解決這個問題了。我們來看看百度搜索颶風算法2.0的說明，其中有一點是：

通常表現為站群網站，利用采集工具，針對特定的多個目標網站，根據對方標簽的特性，定期采集多個網站的不同段落，進行組合拼接，形成所謂的原創內容。

大家請仔細理解這句話，很明顯，百度已經能很多的識別段落了，也就是說從之前的分詞已經上升到分句和分段。如果我們對于采集內容僅僅是做簡單的首尾處理的話，還是會被百度搜索判定為采集內容的。

只能說，百度搜索一直在完善，想要在內容上欺騙百度搜索已經越來越難，** 好的做法就是老老實實提供高質量的原創內容，或者是整合真正滿足用戶需求的有價值的內容。

關于百度怎么識別采集內容的問題，本文并沒有做太多技術上的解釋，因為筆者認為這沒有必要，我們只需要知道百度已經能夠很好的識別句子和段落就可以了。如果想要在內容上避開被判斷為采集內容，那么就得想辦法改變文章的每一段甚至是每一句。很顯然，這樣做的成本有點高。