这是码迷SEO的第27篇原创
自从8月底飓风算法3.0上线之后，仅仅过了20天，也就是2019年9月18号，百度就发布了一则搜索违规处理情况通告，其中处理掉528万个恶劣采集网站。
相信很多站长是欲哭无泪，摩天楼群里的小伙伴也希望码迷推出飓风3相关的文章。
本文从筹备到完成断断续续一个月左右，搜索资料的过程中因缘巧合认识了ITSEO的布鲁克斯老师（英文名brooks，微信号brookxs），发现他也是做百度专利的SEO研究，终于遇到一个同道中人（真不容易）。想深入了解百度算法的童鞋也可以到他那边溜达溜达。
正文开始
中国这个大环境浮躁，很多做SEO的都喜欢吃快餐。
火车头、DEDECMS采集程序大行其道，伪原创工具也搞的有模有样。
但是飓风3.0之后，如果不改变采集方式，当真是越采集死得越快哦！
很多站长没有意识到事情的严重性，一些有智慧的人(SHA)(HAI)(ZI)还有模有样的搞纯采集，某些牛掰站长信誓旦旦的跟码迷说，老子的站照样收录没问题，老子的算法能过百度原创检测，老子有伪原创工具很牛逼。
你也不看看你站收录的是有500w，但有排名的指数词有几个？一周内收录还有几个呢？
采集站下去，原创站上来
你的采集站下去了，人家做原创的上来了，码迷有个合作的站点Duang的一下子涨了一倍的词库，窝草，幸福来得那么忽然，哈哈哈哈嗝。
百度好歹也是养着一群985、211的程序猿，虽然大搜的那帮人算法垃圾，但经过百度的三代原创检测系统的升级，绝大多数伪原创手段到目前都已经没有了效果。
但不等于就没法做采集了，也不等于没法做伪原创哦。码迷觉得飓风算法3.0也没有那么高深，道高一尺，魔高一丈哦。
某些采集站仍然有排名
同样是采集，同样是伪原创，有的人发100篇，被百度干100次。
而有的人发100篇，都能进入百度重要索引，而且指数词都有了。
比如下图这个案例，采集加工也是优质内容，而且是首页排名哦。
今天我讲为什么你通过采集发的文章没有排名，没有收录，甚至被K站。有些大神认为是运气，哈哈哈哈嗝。
很多人不知道所以然，往往是因为自己根本就不知道百度飓风是什么玩意。
《SEO实战密码》 中总结了几种内容作弊手段，这些都已经被百度识别了。
无论是同义词替换还是简单在原来文章上做更改，都已经没有收录的几率。
其中已经没有用的伪原创手段包括如下：
1 更改（完全重写）标题。
2 颠倒段落次序。
2 加一段原创，如在最前面加一段内容摘要。
3 文字简单增减，如感叹词、修饰词。
4 同义词近义词替换。
5 强行插入关键词，如在一篇小说中强行插入关键词。
如果说作为黑帽SEO高手的你还用以上这些手段，放下屠刀立地成佛吧，该干啥的干啥去，别浪费时间。
为什么同义词替换没有用？
这块百度已经说了百度有自己的同义词库了，还有人做伪原创光用同义词替换，尤其是某个站长工具站也推出了同义词替换工具，名曰智能伪原创。
你能比百度智能？？
比如你再百度搜索xx牌子好的时候，品牌也会飘红。
AI伪原创
本来不敢写AI伪原创方面的评测，害怕某些人不愿意，但是码迷找了几个圈子里面用伪原创的站长，反馈飓风3上线后，收录是一天不如一天。
比如今天发1000篇伪原创文章，下午就剩下收录500篇，明天收录收录不到100篇，90%以上伪原创内容的都被百度识别掉了。
如下图左边是原文，右边是AI伪原创的结果，可以看到无论是句子顺序还是很多词语，都发生了变化。
基本每个句子都不是相同的。最近很多人都热推AI伪原创，认为可以通过百度收录，可以取得排名。
嗯嗯嗯AI伪原创好屌，专注于采集的老王站长觉得自己已经打通了筋骨脉络，终于可以大干一场了。
然后码迷直接问了做智能伪原创的卖家有没有过百度的案例，然后被他喷了，被他喷了。。。“我欠你的吗”？
江湖上流传的SEO指纹算法
码迷偶尔看到《某某SEO：搜索引擎是如何识别内容原创的？独家揭秘SEO指纹算法！》，感觉很有道理的样子，出处在哪里？如果是自己编的，这里省略100字。
百度3代伪原创识别系统
SEO高手跟小白的区别是什么？
就是知其然知其所以然。
码迷见过太多自以为牛逼的站长被自己打脸了，这还没有轮到百度打脸。
不知道原理就开始瞎搞，有个毛线效果。
来吧，跟码迷一块深入飓风算法吧。
第1代百度原创识别手段
根据《CN201110031636-一种网页重复的判断系统及其判断方法》专利，这是2011年左右的老专利了，可以说是百度第一代伪原创识别系统。
主要手段是通过对网页结构化数据做simhash。
通过这种识别手段，采集来连标题都不改正，正文也不修改的，基本没戏了。
主要步骤如下：
在本实施例中，进行网页重复的判断时，如果两个网页满足下面任意一项，则认为这两个网页是真重复 ：
1、两个网页的真实标题签名相同。
2、两个网页的网页内容签名相同。
3、两个网页的网页正文签名的不同位数小于 6。
4、两个网页的网页位置签名相同，并且 url 文件名签名相同。
5、评论块签名、资源签名、标签标题签名、摘要签名、url 文件名签名中有三个签名相同。
缺点：
这个算法要对网页五个维度走签名计算，码迷觉得这个算法计算量太多了，估计百度试用了一段时间就放弃了。
另外修改一个字签名就不一样了，很容易破。
第2代百度原创识别手段
很多人说“baidu就是个垃圾”，码迷觉得很有道理。
码迷说了第一代计算量太大了，耗费钱啊，毕竟竞价排名才挣钱呀，自然排名搞这么高大上的去重算法干啥，艳红不喜欢。
那怎么找个最简单的办法去重？
百度程序猿如是说：
咱们从整个网页中，提取出一个最长句子，根据提取出的最长句子的签名进行分组，同组内根据title的皮尔逊距离(计算网页内容的相似度)和链接发现时间进行原创性网页的识别，即判断同组内谁是真正的原创。
优点：
该原创度识别方法码迷推测应该存在了很长很长时间，这种方法优点计算量小小的哦。
缺点（硬伤啊）：
仅仅通过最长句子作为依据，误判率相当高。
第3代百度原创识别手段
因为第二代的手段效果很不好，所以百度终于推出了飓风算法（ 2017年7月7日上线），而对应的专利在2017年3月底提出的申请，那么时间点也比较吻合。
基本思想是对句子使用simhash算法做签名，然后用汉明距离做原创度检测。
什么是同义词级别simhash
看不懂没关系，先了解simhash算法一点皮毛，码迷简单举一个例子，一图胜千言。
如果您是算法专家，可以访问传送门：https://github.com/yanyiwu/simhash了解simhash算法。
AI伪原创能过百度原创吗？
基础假设
那么回到AI原创的问题，因为百度飓风3.0按照句子级别的simhash进行去重，我们假设：
前置条件1：对句子长度为100个字，进行伪原创。
前置条件2：把句子的签名做对比，伪原创后编辑距离位数小于10，并且汉明距离小于10，并且汉明相似度大于80%。
判定结果：抄袭。
百度内部肯定有自己的汉明距离临界值，100个字符的句子已经是很长句子了，实际中百度的汉明距离临界值应该更小，我们上面假设中的已经相当宽泛了。
不了解编辑距离、汉明距离（也叫海明距离）的可以看
百度百科《编辑距离》：https://baike.baidu.com/item/%E7%BC%96%E8%BE%91%E8%B7%9D%E7%A6%BB/8010193?fr=aladdin
百度百科《海明距离》：https://baike.baidu.com/item/%E6%B5%B7%E6%98%8E%E8%B7%9D%E7%A6%BB/4235876?fr=aladdin
你不会编程没事，码迷会。
码迷有现成的分词方法，也有停止词过滤程序，直接用github上的程序。
参考：https://github.com/cmhc/simhash/blob/master/src/simHash.php
码迷随便找了一篇网易的文章，做一下simhash的编辑距离跟汉明距离。
AI伪原创工具评测1：
最终结果：
没有过假设的百度原创关，编辑距离为6，海明距离为8，相似度高达87.5%
AI伪原创工具评测2：
码迷不死心，又要了另外一家AI伪原创：
最终结果：
没有过假设的百度原创关，编辑距离为7，海明距离为10，相似度高达84.3%
AI伪原创工具评测3：
码迷还是不死心，又要了另外一家AI伪原创：
最终结果：
他xx的什么破AI伪原创，编辑距离只有4，海明距离为6，相似度高达90%！
被百度干的渣渣都不剩，别误人子弟好不好？
结论
首先、直接伪原创不容易过百度原创。
人家百度几千号人来做开发呢，就凭一个伪原创就能过了百度检测吗？
所以大家千万不要直接采集人家的内容，稍微伪原创就发到自己网站上了，这就是作死。
其次、同义词替换 语句颠倒没毛用。
某些网站声称几十万的同义词近义词词库，码迷告诉大家，百度为了压缩索引，同义词词库可比你们任何词库都丰富的多，人家的同义词库还是分词性的。另外语句颠倒不会影响simhash算法结果哦。
如何做采集过原创
但是人家有些人靠采集就能做出排名了，这是为什么？
有些人靠采集组合也能有排名，即使不用上伪原创就能上百度排名。
码迷一个合作伙伴网站，还没起来就被飓风算法打的渣渣都不剩了，但是经过码迷研究，让其更新采集组合算法之后，又恢复了往日的精彩~
下一篇文章，我们将讨论如何才能通过采集过百度原创判定算法，因为毕竟是不断的投入研究实验花费了大量精力，所以码迷将在通过码迷官方Q群734299959，以群直播的方式带你走进百度飓风算法3.0的倒戈之旅。
本系列首发于www.mamioo.com，同步发布于公众号”码迷SEO“，未经允许不可转载。
布鲁斯克老师自己的话：
俺曾在新浪爱问担任seo经理，也曾操作流量站点用4个月的时间从5wIP增长到50wIP。俺致力于用Python打造科学、高效、数据化的SEOer，俺曾一个人管理几百个站点的内容发布和优化。而这只需要俺每天花两个小时的时间就能搞定，这一切都归功于俺的Python。目前俺专门针对SEOer开发了一套从0基础到seo实战应用的Python课程，俺已经帮助了100多人成功晋升个人能力。其中不乏大公司的seo经理和企业老板，如果你也想提升个人的seo职场能力或工作效率，科学的做seo，欢迎来撩俺。俺微信号：brookxs
文末福利：
摩天楼内容助手正在内测，【免费试用活动】正式开启！
为你排查SEO中原创内容无排名、关键词布局低质、网页主题不集中、相关词数量不足、相关词密度不均5大网页质量问题， 加码迷QQ群734299959可下载软件，了解更多。
扩展阅读：
---码迷SEO独家内参(八) 从百度网页质量评估浅析个人怎么做流量站（下）
---码迷SEO独家内参(七) 探秘百度专利看百度对网页质量的评估方法（中）
---码迷SEO独家内参(六) 简析百度对快排打击的最新手段及专利
---码迷SEO独家内参(五) 从收录现象看百度对网页质量的判定级别(上)
---码迷SEO独家内参(四) 从附子SEO流量站套路到百度资源分配策略解析
---码迷SEO独家内参(三)学会这四招爬虫抢着来
---码迷SEO独家内参(二)百度蜘蛛类型及蜘蛛抓取规律揭秘
---码迷SEO独家内参(一)百度搜索引擎的工作原理及流程
---百度SEO内参-码迷SEO独家策略解读【导读】
点击左下方【阅读原文】可查看本篇源网站文章。
