最近百度推出飓风算法，严厉打击恶劣采集站，很多站点不幸中招，流量一夜回到解放前。我研究了百度和Google的文档，详细定位了算法的命中范围。
百度公告
我们先来看下百度官方公告，内容如下：
百度搜索于近日推出飓风算法，旨在严厉打击以恶劣采集为内容主要来源的网站，同时百度搜索将从索引库中彻底清除恶劣采集链接，给优质原创内容提供更多展示机会，促进搜索生态良性发展。飓风算法会例行产出惩罚数据，同时会根据情况随时调整迭代，体现了百度搜索对恶劣采集的零容忍。优质原创站点如发现站点索引量大幅减少且流量大幅下滑现象，可在反馈中心进行反馈。
飓风算法分析
从官方文档中来看，飓风算法的命中对象是站点，而不是网页；主要是针对以恶劣采集为内容主要来源的网站，而不是所有包含恶劣内容的站点。
哪些内容算是恶劣采集
恶劣采集内容，一般是指没有花费时间，精力，专业能力，人工整合的内容，或者说对用户没有任何附加价值的内容。
这部分内容有以下几种类型：
从其他站点采集的内容。包括整个页面内容都是采集、主题内容是采集，或者多篇采集拼凑成的内容。这种类型内容很容易被识别。
采集之后轻度加工的内容。包括修改了部分词语，修改了部分句子，或者使用单词批量替换的形式（部分伪原创工具）。这种类型的识别难度稍微大一点。
从某些动态站点采集的内容。包括采集其他搜索引擎的搜索结果（火端搜索），采集新闻feed流。
注意几个要点：主体内容、恶劣采集、附加价值。
哪些内容不算是恶劣采集
群里也有朋友问，为什么有些网站也是采集的，但没有受到影响，比如某doc、某浪。其实只要做到某个要点，就不算是恶劣采集，这个要点就是：给用户带来附加价值。
附加价值有站点增益和内容增益两种。这个时候可以引用百度搜索技术博客《浅谈互联网页面价值》的一段内容：
某人发表了一篇针对某新闻事件的原创博客，随后被新浪转载到了新闻频道。从描述的内容上讲，这是一种重复。但这种重复仅仅是主体内容上的重复，一方面它的转载带来了访问速度、稳定性等方面的增益，并且之后的检索用户还有可能用“新闻事件+新浪”来检索此新闻。这可以被称之为站点增益。另一方面，它在转载过程中可能会改变页面的标题，而且依托其受众，在转载页面上，还有可能出现更多的有价值评论和回复等，还有可能存在指向其它相关事件的新闻链接。这些可以被称之为内容增益。因此即使主题内容没有任何变化，新浪的这次转载也是有价值的，其稀缺度也是较高的。同样，反过来说，如果转载的网站相当不知名，则其无法带来站点名/稳定性/速度的增益。更有甚者，转载之后在页面上加入大量广告妨碍阅读，或者只转载了内容中不完整的一部分，这样的转载，或者说采集，就是纯重复的，与采集源相比，就是没有检索价值的了。综上所述，对于主体内容重复的页面，我们应该评价其是否存在站点增益和内容增益，只有对于大量完全无增益的重复页面，我们才应该认为其稀缺度较低。
这里的要点是：页面价值、增益
因此说，只要能够带来站点增益，内容增益，给用户带来附加价值，那就表明这个网页有其独特的价值，是不会被飓风算法命中的。
最后
百度的朋友透露，飓风算法主要是针对没有价值的采集，一旦中招没有任何解法。而被误伤的优质原创可以通过反馈中心申诉。如何避免被飓风算法命中。（我下一篇文章会讲。）
百度最近的战略发生了调整，对内容生态的打造成了重中之重。而对恶劣采集内容的打击，也是势在必行。
我预测，对采集的打击，对原创的支持，将是百度搜索内容部分的主旋律，飓风算法也会持续更新。
下一篇将揭秘如何避免被飓风算法命中，敬请期待。
