搜索引擎把頁面抓回，下一步是對頁面內容進行分析，主要包括確定頁面類型、提取頁面主題、去除頁面噪聲、去除停止詞、中文分詞、注冊統計、重新建立關鍵詞索引庫。

判斷頁面是普通頁面還是PDF、WPS、PPT、TXT等特殊頁面；區分文本、圖片、視頻等內容形式，識別頁面網站論壇、視頻站、文本站等。

目前，搜索引擎基本不識別JS、AJAX、flash、圖像、視頻、幀和iframe框架結構的內容，主要是通過文本關鍵字抓取文本處理和搜索信息。提取頁面級功能內容，如標題、關鍵字和說明。這些特性在網頁的內容相關性中占很高的比例。在正常情況下，它還指示網頁的主題。

剔除無關廣告、登錄框、版權公告等雜音內容，提取主題內容。這一部分不是很嚴謹，而且各個搜索引擎的處理也不一樣。一般推薦內容、錨文本、導航等還是很有價值的。

分詞是中文搜索引擎中一個獨到的步驟。搜索引擎需要識別哪些詞可以組合成詞。每個搜索引擎都有自己龐大的詞庫。根據詞庫匹配，對網頁內容進行分段，漢語分詞主要有兩種方法：基于詞典的匹配和基于統計的分詞。他們各有利弊。在實際應用中，他們混合使用了這種方法，不僅快速有效，而且可以識別新詞，消除歧義。

百度搜索引擎可以使用快照頁面查看輸入文本分為哪些關鍵字，如下所示：

分詞的目的是理解網頁的內容。停止詞如“de”、“de”、“ah”和“Ba”將首先刪除，使頁面文本的主題內容更加突出。當然，虛詞也不是很好的，比如以“啊”為主題介紹單詞的發音、意義、用法等新華字典頁面，“啊”是主題關鍵詞。關鍵詞排名優化是不斷跟蹤和分析搜索引擎條目和歷史數據。

分詞后，搜索引擎會統計每個單詞出現在頁面上的次數并計算密度，這樣搜索引擎就能識別出頁面內容的相關性。建議關鍵詞布局密度在2%-8%之間，過低容易被認定為主題內容相關性低，過高則可能被認定為關鍵詞堆砌嫌棄，容易受到處罰。

從網站索引的建立可預估網站的優化成果

內容相關性：除了網頁標題、關鍵詞、描述和字數密度外，H標簽（H1標簽也很重，一般用于文章標題，H2、H3標簽也有一定的效果，一般用于分段主題，但H4之后不會），而用粗體標簽標注的內容顯然會比其他普通標簽更受關注內容。此外，核心關鍵字出現在頁面的前面比后面好。錨文本鏈接相關性作為重要數據進行收集和分析。

搜索引擎喜歡原創內容，不喜歡很多重復的內容頁面。完成上述步驟后，他們可以識別頁面的內容功能并重新重復內容頁面。

經過上述處理，記錄了頁面關鍵字集，記錄了詞頻、位置、格式（H標簽、粗體、錨文本）等權重因子。搜索引擎創建頁面和關鍵字表的索引結構。該指標有兩種結構：正向指標結構和反向指標結構。在前向索引結構中，每個文件對應一個文件ID，文件的內容表示為一組關鍵字。

搜索引擎的用戶按關鍵字進行搜索，正索引不利于查詢效率，搜索引擎會把正索引變成倒索引。倒排索引結構是關鍵字到文件集的映射。用戶將僅檢索索引頁。

包含：只要能被搜索引擎蜘蛛抓取，經過分析，有價值的頁面就會被包含進去。

索引：搜索引擎已經包含了頁面，并且認為用戶有意義的會議內容，可能會創建索引，可能會有流量。網站排名優化是基于網頁已被索引。

優幫云seo小編提醒大家，只要網站結構清晰，內容有價值，并且網站定期更新，那么站長平臺提交鏈接和外發鏈接，以提高搜索引擎對網站的收藏量和索引量，在2-7天內對主頁進行SEO優化是非常有可能的。

百度蜘蛛抓取多少頁面并不是很重要的，重要的是建立了多少頁面的索引庫。搜索引擎的索引數據庫是分層的。高質量的網頁將被分配到重要的索引數據庫中，普通網頁將保留在普通數據庫中，較差的網頁將被分配到低級數據庫中作為補充材料。目前，60%的檢索需求只能通過使用重要的索引庫來滿足，這也是一些網站的館藏量過高，但流量不理想的原因。

進入高質量索引庫的前提是對用戶的價值。包括但不限于：

事實上，互聯網上的大多數網站根本不被百度收錄。并不是百度沒有找到他們，而是在建立數據庫之前的篩選過程被過濾掉了。過濾初始階段：

一些內容使用百度蜘蛛無法解析的技術，如JS、AJAX、flash、圖片、視頻等。