SEO 百科
索引
本页目录
索引是搜索引擎用来存放网页信息的大型数据库[1][2]。用户之所以能在瞬间拿到结果，正是因为有了它：引擎先找到网页、下载、读懂，把处理后的信息汇总进这个库，等到有人查询时，再从库里把匹配的挑选出来。
对做网站的人来说，最该关注的正是这一步。一个网页在这一步没能进入索引，用户搜索时就搜不到它。所以，想让用户通过搜索看到你的网页，第一步就必须让它进入索引。后面的标题、内容、链接做得再好，只要没进索引，用户就看不到，也就谈不上任何效果。
索引编制
抓取网页后，引擎不会把网页原样存起来，而是先尝试了解它的内容[1]。原因在于，网页是写给人看的，写法五花八门，同一件事可以有很多种写法。引擎没法直接拿两个网页的字面去比较，只能先把页面读一遍，从中抽出自己能理解、也能互相对照的成分。
它分析的对象有两类。一类是正文文字，也就是用户在页面上读到的内容。另一类是关键标记，不显示在页面上，却把页面的身份说清楚了。比如 title 元素给出标题，图片的 alt 属性说明这张图画的是什么。图片和视频本身也会被分析，引擎收的不只是文字。
分析出来的信息不会原样堆放，而是连同后面收集的信号一起存进索引，并按便于快速查找的方式组织起来。这样安排，是为了让后面的查询在极短时间内完成。
索引的内容
索引是托管在数千台计算机上的大型数据库[1]。用这么多台机器，是因为要收的网页以数十亿计，而且每一条都要能被随时查出来。单台机器承受不了这个数量，也做不到这个速度。
库里存的主要是两类东西。一类是关于网页本身的，哪个网址对应哪篇内容，这篇内容是什么，它又属于哪个网页群组。另一类是引擎在收录过程中收集的信号，比如网页用什么语言写的，内容面向哪个国家和地区，网页好不好用[1]。信号不是给用户看的，是留给下一步做判断用的。用户在结果页上看不到信号，这些信号却在背后影响用户能看到什么。
规范网页与网页群组
网上常有内容相近的多个网页。同一篇文章可能挂着几个网址，电商的商品页还带着各种筛选参数。如果每一个都当成独立网页收进来，会发生两件坏事：库里会挤满重复内容，用户也会看到一堆几乎相同的结果。
引擎的办法是先聚类。它把内容相近的网页归成一组，再从组里挑出最有代表性的一个，作为规范网页。这个规范网页，才是可能出现在搜索结果里的那个版本[1][3]。挑哪一个当代表，看的是谁最能代表这一组的内容，不是随机的。
引擎并没有删除组里其余的网页，也没有当成垃圾。它们作为备用版本留着，只有在特定情况下才会被选用。比如用户在手机上搜索时，或者用户要找的正是这一组里的某个具体网页时[1]。所以，同一个内容有多个网址，不一定互相冲突，引擎会替你把它们归为一组。
网站也能参与挑选，用 rel="canonical" 指向自己希望当代表的那个网址：
<head>
<link rel="canonical" href="https://www.example.com/products/cnc-machine">
</head>
收录结果
进了索引编制这一环，不等于就能被收录。引擎并不保证一定收录，处理过的网页里，相当一部分也进不了索引[1]。
进不去的原因可以分三类。
| 原因类别 | 表现 |
|---|---|
| 内容 | 网页本身质量低，没有值得收录的信息 |
| 声明 | 网站用 robots meta 明确表示不要收录这一页，这是主动指令，引擎会照办 |
| 实现 | 网站的设计让引擎读不懂内容，比如关键内容依赖复杂脚本才显示，引擎看不到 |
这三类原因的表现都是“没被收录”，但落点完全不同，一个在内容，一个在声明，一个在实现。排查的时候要先分清属于哪一类，因为三者的改法互不通用。
索引的用途
索引是给呈现阶段用的。用户输入查询时，机器在索引里找匹配的网页，再按相关度排序返回[1]。相关度由数百个因素决定，其中包括用户的位置、语言和设备。所以同一个查询，在不同地方、不同设备上，给出的结果并不一样。
索引里有什么、以什么形式存在，直接决定了搜索结果里能出现什么。索引因此不是一个中立的仓库，它的组织方式本身就带着判断：哪些网页被并成一个群组，哪一个是规范版本，附带哪些信号，都会一层层影响后面的结果。一个页面没进索引，后面的一切优化都无从谈起。
附录
参见
参考资料
官方（境外）
- 《关于 Google 搜索运作方式的深度指南》，Google 搜索中心。
官方（国内）
- 《百度搜索的工作原理》，百度搜索资源平台。
第三方
外部链接
无。