都2020年了，做SEO到一定阶段，都需要采集内容，毕竟完全考原创内容不能满足网站的长期的流量增长。当然，采集的内容还是需要经过科学的SEO指导，完成内容的高质量的伪原创，这样对于内容的效果最大化有很大帮助。尤其是百度出了SEO飓风算法后，越来越多的采集站、采集内容很难过百度的算法。

　　本文力力SEO培训给大家科普的是关于做SEO如何采集、采集有哪些注意事项，后续在讲解如何做内容的伪原创。采集数据其实大学有教，不过可能是研究生的课程，并且可能也不能算一门课，只是一项技术。

　　一、采集数据需要哪些技术

　　1.http通信原理、html/css/js

　　2.各种编码、一门语言

　　3.敏(YIN)捷(DANG)的思维

　　4.数据采集工具

　　很多人都会问我，”请问采集数据用什么工具好呢?”。这样的问题我都很难回答，例如抗日战争中解放军小米加步枪也能日军精良的装备对抗，你敢说小米加步枪是无敌的吗？工具只是把一些繁琐的操作简化了，但是解决问题是要抓到本质。本人使用的一些工具

　　火车头：基本能解决80%的采集问题

　　python以及各种库以及Shell：上面解决不了才用这个

　　5.Httpwatch/Fiddler/开发者工具：抓包分析

　　一个能用文本工具（比如notepad++，UE等。windows的记事本不是能用的工具，谢谢。）：简单的替换，检查数据正确性，转转编码等

　　能快速搭建起来的Web环境，数据有时候直接入本地库，更加方便，有时候采集一些接口是js调用的，那可以本地搭一个然后采集本地

　　6.采集数据小贴士

　　说的会比较简略，但是都是实战经验，希望能给一时卡壳的朋友一点帮助。

　　能采集js的就不要去采集html

　　如果PC版本的页面很难分析,试试wap站或者移动站

　　遇到页面html不完整的网页用不了xpath，可以找找自动补全html的库，比如python的BeautifulSoup。C#的html parser

　　例如你要采集www.xxx.com的很多网页，可以从sitemap入口，具体方法可以查看根目录下的Robots.txt，或者试试根目录下的sitemap.xml，再不行就在google中搜索site:xxx.com filetype:xml或者inurl:xml。

　　使用火车头采集完保存文件的话，如果数据量大，千万别执行保存的步骤，直接用数据库工具（例如navicat）直接导出数据库。（时间可以差10000倍…）

　　二、延伸阅读：

　　1.为什么我原创了很多文章，还是不收录?收录了没排名?

　　一个搜索引擎，它的核心价值是要为用户提供他/她最需要的结果。搜索引擎是有统计网民需求的，对于网民需求量小或者几乎没有需求的内容，即使你是原创也可能被搜索引擎忽略，因为它不想浪费资源在无意义的内容上。

　　对网民需求量大的内容，收录应该会比较多、比较快，但是，正因为收录多，即使你是原创，也可能很难挤进排名。

　　2.采集的内容如何入库？

　　采集内容清洗后是要入库的，入库就得有逻辑，所以在采集一开始就得想到这点，并设计采集到上线的流程

　　每个站点情况都不一样，但最最基础的模式类似下面这种：



　　确定要做的主题，从这个主题里选几个词根，一个词根或几个词根就代表一个内容分类

　　用词跟去扩展，挖出要做的流量词

　　挖出来的词，依次去抓取对应的内容

　　如上图，比方说我设定1个词根，从这个词根挖出10个扩展词，每个扩展词分别抓20篇内容，那么在这个词根(内容主题)下，我有100篇内容可以上线。那要上线的页面一般分两个：

　　详情页面

　　聚合页面

　　那么，详情页面就是抓过来的100篇内容；聚合页面就是由词根挖出来的10个扩展词，每个扩展词生成一个列表页或其他形式的聚合页面，页面内容就是对应这个词采集的20篇内容。

　　除非注明，否则均为SEO优化培训服务_零基础SEO培训指导【陈年SEO】原创文章，转载必须以链接形式标明本文链接。
　　本文由【陈年SEO培训】整理链接：http://www.liliseo.com/article/41.html