1、對文章的內容進行分析比較

首先從搜索引擎角度去考慮：

用戶在做偽原創(chuàng)的時候，會經(jīng)常用到的方法有：

(1)刪除部分內容

(2)添加部分內容。在復制過來的文章里添加上兩句，或是把多篇文章合在一起。

(3)調換內容順序。把原文1.A，2.B，3.C，4.D，5.E 改成 1.C，2.B，3.E，4.A，5. D

用分詞技術后對相關的內容進行比較，分析項目有：

(1)字數(shù)大小

(2)幾個關鍵字出現(xiàn)頻率

(3)文中任幾句話

(4)鏈接

程序分析過程：

如果 (字數(shù)大小一樣)并且(幾個關鍵字出現(xiàn)頻率一樣)并且(文中任幾句話一樣)并且(鏈接指向與本文有90%以上的相似度的文章)

或者 文中任5句(長短不一，可能是5-30個字)以上的話是一致的

那么 判定為抄襲或偽原創(chuàng)。

由上面的程序分析過程中，可以看出：簡單的刪除內容、添加合并部分內容、調換內容順序、段落順序并不能讓搜索引擎當做原創(chuàng)。為什么?因為用如上簡單的的方法就可以看出大概了。字數(shù)大小、幾個關鍵字出現(xiàn)頻率、鏈接這都好辦，文中任幾句話對比這就不好辦了。

2、標題

如果是一樣的，那很有可能是復制，但要是改了一下標題呢，如把《成都租車常識》改成《教您怎樣在成都租車》，意思沒變，文字變了。所以，不能僅靠標題來判斷是不是原創(chuàng)。但可以做以下分析：

因為搜索引擎的數(shù)據(jù)量實在太大，不可能對所有的內容進行遂一的結比，而是同樣是使用“分詞“技術：

(1)如果搜索引擎蛛蛛訪問的頁面是一個新的頁面，那么，它將先把這個頁面內容收集起來，放入一個數(shù)據(jù)庫(或是其它)，等其它程序如專門對比內容是不是原創(chuàng)、是不是有價值的程序進行處理。這時候，這個內容將不會被搜索出來。

(2)分析內容。也是利用了分詞技術，對標題、內容等進行分析。得出了這個頁面的主要內容。如《周杰倫2010年專輯》這樣的篇文章時，它將與包括”周杰倫“、”2010“、”專輯“這樣的關鍵詞的文章進行比較，而不用與所有的網(wǎng)頁進行比較。如果結果是原創(chuàng)、比較有價值，則進行收錄，給比較高的權重。如果被認為是復制或抄襲，則不進行收錄，或是給的權重很低。順便要說的是，對于這個頁面的權重，不僅僅是跟其本身的內容、本身的內容有關，能不能有好的排名，還要跟整個站點的權重有關。打個比方，如果這個頁面的權重是3，網(wǎng)站的權重是3，那加起來是6。要是別的網(wǎng)站轉載了這個文章，文章的權重是1，但他的網(wǎng)站的權重是7，那加起來就是8。6<8所以轉載的文章還是會排在原創(chuàng)文章的前面。

信息來源尚品中國：集群網(wǎng)站建設