有很多人問過我，說Mr.Zhao啊，百度如何判斷偽原創和原創？百度喜歡什麼樣的文章？什麼樣的文章比較例如獲得長尾詞排名？等等諸如此類的問題。面對這些問題，我常常不知如何回答。如果我給一個比較大方向一些的答案，例如要重視用戶體驗、要有意義等等，那麼提問者會覺得我在應付他，他們往往抱怨說這些太模糊。可是我也沒法再給出具體的內容，畢竟我不是百度，具體算法我又何德何能的為你們指點江山呢？
為此，我開始寫這個“如果是我”系列的文章。在這一系列文章裡，我假設如果是我絞盡腦汁的來為網民提供較好的搜索服務，我會怎麼做，我會怎麼對待文章內容、如何對待外鏈、如何對待網站結構等等諸如此類的站點元素。當然，本人技術有限，我只能寫一點我稍微理解的東西。而百度以及其它的商業搜索引擎，他們有大量比我優秀的人才，相信他們的算法以及處理問題的方式會比我完善很多，而我之所以寫這些，無外乎拋磚引玉，希望大家看後，心裡有一個大概。畢竟在SEO的道路上走過一段時間後，沒有誰能夠當誰的老師，一些觀點僅供參考。
在此，我要鄭重聲明，這個系列文章中所有涉及到的思想、算法與程序，均非本人所寫，全部是我從一些公開的資料裡搜集而得的。同時，相信大家也能理解，如果這些免費公開的東西都能做到如此程度，那麼那些商業機密就更不用提了。
好的，現在開始。
如果是我，我會喜歡什麼樣子的文章呢？我會喜歡我的用戶喜歡的文章，如果硬要加判定標准，那無外乎是兩種：1.原創且用戶喜歡。2.非原創且用戶喜歡。在這裡，我的態度很明顯，偽原創就是非原創。那麼用戶喜歡什麼樣的文章呢？很顯然，一些新觀點、新知識往往是用戶喜歡的，也就是說通常原創文章都是用戶喜歡的，而且即便用戶不喜歡，原創站點作為新鮮內容的制造者，也應該受到一定的保護。那麼非原創的文章用戶就一定不喜歡嗎？誠然否也。一些站點，其內容往往是經過搜集整理後聚合而成的，那麼這些站點對用戶來說就是有價值的，其相對應的文章理應獲得較好的排名。
由此可見，我需要重視兩類文章即可。一是原創文章，二是有價值的信息聚合站點下的文章。
首先要明確一點，本文探討范圍僅限內容頁，而非專題頁、列表頁和首頁。
那麼我在甄別這兩類文章之前，我需要先進行信息的采集。本文對於spider程序部分不進行闡述。當spider程序下載下來網頁信息後，在內容處理的模塊中，我需要先對內容除噪。
內容除噪，並非大家經常性的誤以為僅僅除去代碼而已。對於我來說，我還要出去頁面部分非正文內容的文字。比如導航條、比如底部文字以及各個文章列表。將它們的影響除去後，我將得到一段僅僅包含網頁正文內容的文本段落。寫過采集規則站長朋友應該知道，這個並不難。但搜索引擎畢竟是一款程序，不可能針對每個站寫個類似於的采集規則的東西，所以我需要建立一套除噪算法。
在此之前，我們先明確我們的目的。
上圖中很明顯內容1是用戶最為需要的，內容2是用戶可能感興趣的，其余均是無效的噪音。那麼針對於此，我們可以發現如下幾特征：
1.所有的調用列表全部是在一個信息塊裡，這個信息塊絕大部分是由標簽組成，即便有游離於標簽的內容，其文字也基本是固定的，且在站內頁面中存在大量重復，較為容易判斷。
2.內容2一般緊鄰著內容1。而且內容2中的鏈接錨文本，與內容1存在相關性。
3.內容1部分，是有文字文本內容和標簽混合而成，且在通常情況下，文本文字內容在網站網頁集合中具有唯一性。
那麼，針對於此，我采用廣為人知的標簽樹方式，將內容頁進行分解。
從網頁的標簽布局上來看，網頁是通過若干的信息塊來提供內容的，而這些信息塊又是由特定的標簽規劃出來的，常見的標簽有div ul li p table tr td 等，我們依照這些標簽，將網頁費解為樹狀結構。
上圖是我手繪的簡單的標簽樹，通過這種方式，我可以非常輕松的識別出各個信息塊。然後我設定一定阙值A為內容比重阙值。內容比重阙值為信息塊中文本字數與標簽出現此處的比值。我設定當網頁中信息塊內容比重阙值大於A時，才會被我列為有效內容塊（此舉是為了杜絕過分的多內鏈，因為如果一篇文章布滿內鏈，則不利於用戶體驗），然後我再比對內容塊中的文本，當其具有唯一性時，此一個或多個內容塊的集合，即為我所需要的“內容1”。
那麼內容2我要如何處理呢？在講解處理內容2之前，我先講解一下內容2的意義。正如我先前所說，如果是一個注重用戶體驗的聚合性網站，那麼他的作用是將現有的互聯網內容經過精心的分類與關聯，來方便用戶更好、更有效的閱讀。針對這樣的站點，即便其文章不是原創而是從互聯網上摘抄的，我也會給予其足夠的重視與排名，因為它良好的聚合內容往往更能滿足用戶的需求。
那麼針對聚合站點，我可以通過“內容2”來進行粗略的判斷。簡而言之，如果是一個良好的聚合站點，首先其內容頁必須存在內容2，同時內容2必須占重要部分。
好了，識別內容2很簡單，對於內容比重阙值低於某個特定值的信息塊，我全部判斷為鏈接模塊。我將內容1通過某些方式（具體方式本文後半部分講解），提取出主題B。我將鏈接模塊中的所有a標簽的錨文本分別進行分詞，如果所有的錨文本均與主題B相符，則將此鏈接模塊判定為內容2。設定鏈接阙值C，鏈接阙值為內容2中標簽出現次數除以所有鏈接模塊所出現的a標簽次數所得的比重，若大於C，則此網站可能為聚合網站，針對內容排名計算時會引用聚合站點特定的算法。
拓展閱讀1開始：
我相信很多SEO從業者剛接觸這行時，就聽說過一件事，就是內容頁面導出鏈接要具有相關性。還有一件事，就是頁面下面要有相關閱讀，來吸引用戶縱深點擊。同時應該還聽人講過，內鏈要適中，不可太多等。
但很少有人會說為什麼，而越來越多的人因為不明其內在道理，而漸漸忽視了這些細節。當然，以前的一些搜索引擎算法在內容上的注重程度不夠，也起到了推波助瀾的作用。但是，如果從陰謀論的角度上來看，我可以假設出這麼一個道理。
絕大部分用戶的搜索頁面，第一頁只有10個結果，除去我自家產品，往往僅剩下7個左右