SEO优化教程:文章原创度检测

过程:

1)先把一篇文章,按逗号分隔成一个一个短语

SEO优化教程:文章原创度检测


2)然后计算每个短语的字数

SEO优化教程:文章原创度检测

3)前两个>10个字的短语,我们拿出来在百度搜索下,计算百度搜索结果中,完整出现该短语的次数。

若一个文章被其他网站大量转载,那么随便提取该文章中一个短语,都能在百度搜索出完全重复的内容:

SEO优化教程:文章原创度检测

如果我们连续搜索两个短语,在百度搜索中,完全重复的结果很少,则可以一定程度代表该内容被其他站点大量转载的概率比较小,原创度较高

SEO优化教程:文章原创度检测

以上3个步骤,编写一个脚本来执行:

SEO优化教程:文章原创度检测

左列是文章ID,右列是两个短语,在百度搜索结果中完整出现的次数。次数越大,重复度越高,具体数值达到多少,自己定义。比如本渣一般将>=30%定位重复度比较高的,即搜索2个短语,20个搜索结果中,完整出现该短语的结果有>=6个

#coding:utf-8

import requests,re,time,sys,json,datetime
import multiprocessing
import MySQLdb as mdb

reload(sys)
sys.setdefaultencoding('utf-8')

current_date = time.strftime('%Y-%m-%d',time.localtime(time.time()))

def search(req,html):
    text = re.search(req,html)
    if text:
        data = text.group(1)
    else:
        data = 'no'
    return data

def date(timeStamp):
    timeArray = time.localtime(timeStamp)
    otherStyleTime = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)
    return otherStyleTime

def getHTml(url):

    host = search('^([^/]*?)/',re.sub(r'(https|http)://','',url))

    headers = {
        "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
        "Accept-Encoding":"gzip, deflate, sdch",
        "Accept-Language":"zh-CN,zh;q=0.8,en;q=0.6",
        "Cache-Control":"no-cache",
        "Connection":"keep-alive",
        #"Cookie":"",
        "Host":host,
        "Pragma":"no-cache",
        "Upgrade-Insecure-Requests":"1",
        "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) 

AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36",
    }

  # 代理服务器
    proxyHost = "proxy.abuyun.com"
    proxyPort = "9010"

    # 代理隧道验证信息
    proxyUser = "XXXX"
    proxyPass = "XXXX"

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
      "host" : proxyHost,
      "port" : proxyPort,
      "user" : proxyUser,
      "pass" : proxyPass,
    }

    proxies = {
        "http"  : proxyMeta,
        "https" : proxyMeta,
    }

    html = requests.get(url,headers=headers,timeout=30)
    # html = requests.get(url,headers=headers,timeout=30,proxies=proxies)
    code = html.encoding
    return html.content

def getContent(word):

    pcurl = 'http://www.baidu.com/s?q=&tn=json&ct=2097152&si=&ie=utf-8&cl=3&wd=%s&rn=10' % word
    # print '@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

@@@ start crawl %s @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@' % pcurl
    html = getHTml(pcurl)

    a = 0
    html_dict = json.loads(html)
    for tag in html_dict['feed']['entry']:
        if tag.has_key('title'):
            title = tag['title']
            url = tag['url']
            rank = tag['pn']
            time = date(tag['time'])
            abs = tag['abs']

            if word in abs:
                a += 1
    return a

con = mdb.connect('127.0.0.1','root','','wddis',charset='utf8',unix_socket='/tmp/mysql.sock')
cur = con.cursor()
with con:
    cur.execute("select aid,content from pre_portal_article_content limit 10")
    numrows = int(cur.rowcount)
    for i in range(numrows):
        row = cur.fetchone()

        aid = row[0]
        content = row[1]
        content_format = re.sub('<[^>]*?>','',content)

        a = 0
        for z in [ x for x in content_format.split(',') if len(x)>10 ][:2]:
            a += getContent(z)
        print "%s --> %s" % (aid,a)

# words = open(wordfile).readlines()
# pool = multiprocessing.Pool(processes=10)
# for word in words:
    # word = word.strip()
    # pool.apply_async(getContent, (word,client ))
# pool.close()
# pool.join()