有人說采集內容對搜索引擎友好性不高，不容易獲得排名，這個是肯定且必然的。

 
seo內容采集
 

　　對大多站點，上采集內容必定不如UGC、精心編輯過的內容來的效果好。但是，現在搜索引擎能獲取到的原創內容量已經不如之前多了，畢竟內容生產平臺已經轉移了，早就不集中在網站上了。另外幾個搜索引擎之間還相互抓，何況小站點呢。

　　所以采集內容依舊是有效的，只不過對采集內容后加工的成本越來越高了。

　　采集內容的后加工

　　擔心采集內容效果差，或者容易被K，主要還是看怎么對內容后加工。打個比方：

　　好比從沃爾瑪拿了一筐獼猴桃，原封不動的放到家樂福，頂多還只能是原來的售價，因為獼猴桃還是獼猴桃，商品不變。但把獼猴桃榨成汁（形態變化），加點水分瓶裝（粒度變化），再放到711里賣（平臺變化），售價可以翻幾倍（價值增益）

　　為啥？

　　因為形態變了，果汁是不同于水果的商品，且果汁更容易吸收

　　因為平臺變了，711定價本身就比沃爾瑪家樂福要高一點

　　因為粒度變了，一生二二生三三生萬物

　　前三者的變化，導致價值的翻倍

　　如果把“采集內容”比作“獼猴桃”，則對“采集內容”的后加工策略如下：

　　形態

　　組織內容方式無窮多，無論對同一個內容掰開了揉碎了分發到多處、還是多篇相關內容聚合到一處、還是其他方式，都可以讓搜索引擎更容易接受。

　　平臺

　　術業有專攻，從新浪抓一些垂直行業內容放到對應行業的垂直網站，肯定比放到新浪更合適。把專業化的內容放到專業的網站。

　　粒度

　　同樣是抓取的內容，粒度越細，在搜索引擎中的原創度越高。舉個極端的例子，星座股票起名八卦算命生辰八字風水算命qq圖片動態圖….此類型的站，哪個內容不是重復的？

　　增益

　　采集的目的在于補全內容上的漏洞，使同主題的內容比別人更加豐富飽滿充實，則產生了頁面內容價值上的增益。

　　采集內容完整流程

　　關于“采集內容處理”，從抓取到上線整個流程看，要搞定以下問題：

　　采集內容從哪來？

　　采集內容怎么抓？

　　采集內容如何處理？

　　采集內容從哪來？

　　對于正經做站且做正經站的，定向采集、買專業數據更合適。

　　定向采集，只抓幾個特定網站的特定范圍，與本站內容漏洞高度相關的。

　　對于不正經做站的，可選擇的范圍就多很多了，沾點邊的內容都可以抓，講究量大，所以不需要限定某幾個站的抓取，有人叫泛采集

　　設置幾個主題，直接抓各種大平臺的搜索結果便可。大平臺指什么？海量內容集中的地方：各類搜索引擎、各類門戶、今日頭條、微信微博、優酷土豆等等

　　采集內容怎么抓？

　　定向采集：

　　略，平常怎么抓就怎么抓。

　　泛采集：

　　定向爬蟲受限于網頁模板，在此基礎上加上幾個內容分析算法來提取內容，改成通用爬蟲。

　　好多瀏覽器插件，如印象筆記之類的，有好多類似“只看正文”的功能，點一下只顯示當前瀏覽網頁的正文信息，很多人已經把此類算法移植到python、php、java等編程語言上，搜索下便是。

　　采集內容如何處理？

　　兩個先后過程：

　　對原始內容的處理

　　對處理后內容進行組織

　　對原始內容的處理

　　百度專利說過，搜索引擎除了根據正文判斷內容相似性，也會根據html的dom節點的位置和順序來判斷，如果兩個網頁正文的html的結構相似，也可能當做重復內容來處理。

　　所以，采集的內容不能直接拿來就上，要對源碼清洗一下。每個人方式各異，個人一般做如下處理：

　　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'<(?!p|img|/p)[^<>]*?>','',content).strip()

　　b = re.sub(r'<p[^>]*?>','<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)

　　去除垃圾信息

　　如“XXX網小編：XXX”、郵箱網址等。。。

　　對處理后內容進行組織