自从8月底飓风算法3.0上线之后，仅仅过了20天，也就是2019年9月18号，百度就发布了一则搜索违规处理情况通告，其中处理掉528万个恶劣采集网站。相信很多站长是欲哭无泪。

中国这个大环境就是浮躁，很多做SEO的都喜欢吃快餐。火车头、DEDECMS采集程序大行其道，伪原创工具也搞的有模有样。但是飓风3.0之后，如果不改变采集方式，当真是越采集死得越快哦！

很多站长没有意识到事情的严重性，一些有智慧的人(SHA)(HAI)(ZI)还有模有样的搞纯采集，某些牛掰站长信誓旦旦的跟码迷说，老子的站照样收录没问题，老子的算法能过百度原创检测，老子有伪原创工具很。你也不看看你站收录的是有500w，但有排名的指数词有几个？一周内收录还有几个呢？

采集站下去，原创站上来

你的采集站下去了，人家做原创的上来了，码迷有个合作的站点Duang的一下子涨了一倍的词库，窝草，幸福来得那么忽然，哈哈哈哈嗝。

百度好歹也是养着一群985、211的程序猿，虽然大搜的那帮人算法垃圾，但经过百度的三代原创检测系统的升级，绝大多数伪原创手段到目前都已经没有了效果。但不等于就没法做采集了，也不等于没法做伪原创哦。码迷觉得飓风算法3.0也没有那么高深，道高一尺，魔高一丈哦。

某些采集站仍然有排名

同样是采集，同样是伪原创，有的人发100篇，被百度干100次。而有的人发100篇，都能进入百度重要索引，而且指数词都有了。

比如下图这个案例，采集加工也是优质内容，而且是首页排名哦。

今天我讲为什么你通过采集发的文章没有排名，没有收录，甚至被K站。有些大神认为是运气，哈哈哈哈嗝。很多人不知道所以然，往往是因为自己根本就不知道百度飓风是什么玩意。

已知无用的伪原创手段

《SEO实战密码》 中总结了6种内容作弊手段，这些都已经被百度识别了。无论是同义词替换还是简单在原来文章上做更改，都已经没有收录的几率。其中已经没有用的伪原创手段包括如下：

1 更改（完全重写）标题

2 颠倒段落次序

2 加一段原创，如在最前面加一段内容摘要

3 文字简单增减，如感叹词、修饰词

4 同义词近义词替换

5 强行插入关键词，如在一篇小说中强行插入关键词

如果说作为黑帽SEO高手的你还用以上这些手段，放下屠刀立地成佛吧，该干啥的干啥去，别浪费时间。

为什么同义词替换没有用？

这块百度已经说了百度有自己的同义词库了，还有人做伪原创光用同义词替换，尤其是某个站长工具站也推出了同义词替换工具，名曰智能伪原创。智能个毛啊，你比百度智能？？

比如你再百度搜索xx牌子好的时候，品牌也会飘红。

AI伪原创

本来不敢写AI伪原创方面的评测，害怕会得罪某些人，但是码迷找了几个圈子里面用伪原创的站长，反馈飓风3上线后，收录是一天不如一天，比如今天发1000篇伪原创文章，下午就剩下收录500篇，明天收录收录不到100篇，90%以上伪原创内容的都被百度识别掉了。

如下图左边是原文，右边是AI伪原创的结果，可以看到无论是句子顺序还是很多词语，都发生了变化。基本每个句子都不是相同的。最近很多人都热推AI伪原创，认为可以通过百度收录，可以取得排名。

嗯嗯嗯AI伪原创好，专注于采集的老王站长觉得自己已经打通了筋骨脉络，终于可以大干一场了。

然后码迷直接问了做智能伪原创的卖家有没有过百度的案例，然后被他喷了，被他喷了。。。“我欠你的吗”？

江湖上流传的SEO指纹算法

码迷偶尔看到《某某SEO：搜索引擎是如何识别内容原创的？独家揭秘SEO指纹算法！》，感觉很有道理的样子，出处在哪里？如果是自己编的，这里省略100字。

百度3代伪原创识别系统

SEO高手跟小白的区别是什么？就是知其然知其所以然。码迷见过太多自以为的站长被自己打脸了，这还没有轮到百度打脸。不知道原理就开始瞎搞，有个毛线效果。来吧，跟码迷一块深入飓风算法吧。

第1代百度原创识别手段：

根据《CN201110031636-一种网页重复的判断系统及其判断方法》专利，这是2011年左右的老专利了，可以说是百度第一代伪原创识别系统。主要手段是通过对网页结构化数据做simhash。

通过这种识别手段，采集来连标题都不改正，正文也不修改的，基本没戏了。

主骤如下：

在本实施例中，进行网页重复的判断时，如果两个网页满足任意一项，则认为这两个网页是真重复 ：

1、两个网页的真实标题签名相同。

2、两个网页的网页内容签名相同。

3、两个网页的网页正文签名的不同位数小于 6。

4、两个网页的网页位置签名相同，并且 url 文件名签名相同。

5、评论块签名、资源签名、标签标题签名、摘要签名、url 文件名签名中有三个签名相同。

缺点：

这个算法要对网页五个维度走签名计算，码迷觉得这个算法计算量太多了，估计百度试用了一段时间就放弃了。

另外修改一个字签名就不一样了，很容易破。

第2代百度原创识别手段：

很多人说“baidu就是个垃圾”，码迷觉得很有道理。码迷说了第一代计算量太大了，耗费钱啊，毕竟竞价排名才挣钱呀，自然排名搞这么高大上的去重算法干啥，艳红不喜欢。那怎么找个最简单的办法去重？

百度程序猿如是说：

咱们从整个网页中，提取出一个最长句子，根据提取出的最长句子的签名进行分组，同组内根据title的皮尔逊距离(计算网页内容的相似度)和链接发现时间进行原创性网页的识别，即判断同组内谁是真正的原创。

优点：

该原创度识别方法码迷推测应该存在了很长很长时间，这种方法优点计算量小小的哦。

缺点（硬伤啊）：

仅仅通过最长句子作为依据，误判率相当高。

第3代百度原创识别手段：

因为第二代的手段效果很不好，所以百度终于推出了飓风算法（ 2017年7月7日上线），而对应的专利在2017年3月底提出的申请，那么时间点也比较吻合。基本思想是对句子使用simhash算法做签名，然后用汉明距离做原创度检测。

什么是同义词级别simhash

看不懂没关系，先了解simhash算法一点皮毛，码迷简单举一个例子，一图胜千言。

如果您是算法专家，可以访问传送门：https://github.com/yanyiwu/simhash了解simhash算法。

AI伪原创能过百度原创吗？

基础假设

那么回到AI原创的问题，因为百度飓风3.0按照句子级别的simhash进行去重，我们假设：

前置条件1：对句子长度为100个字，进行伪原创

前置条件2：把句子的签名做对比，伪原创后编辑距离位数小于10，并且汉明距离小于10，并且汉明相似度大于80%

判定结果：抄袭

百度内部肯定有自己的汉明距离临界值，100个字符的句子已经是很长句子了，实际中百度的汉明距离临界值应该更小，我们上面假设中的已经相当宽泛了。

不了解编辑距离，汉明距离（也叫海明距离）的可以看

百度百科《编辑距离》：https://baike.baidu.com/item/%E7%BC%96%E8%BE%91%E8%B7%9D%E7%A6%BB/8010193?fr=aladdin

百度百科《海明距离》：https://baike.baidu.com/item/%E6%B5%B7%E6%98%8E%E8%B7%9D%E7%A6%BB/4235876?fr=aladdin

你不会编程没事，码迷会。码迷有现成的分词方法，也有停止词过滤程序，直接用github上的程序。

参考：https://github.com/cmhc/simhash/blob/master/src/simHash.php

码迷随便找了一篇网易的文章，做一下simhash的编辑距离跟汉明距离。

AI伪原创工具评测1：

最终结果：

没有过假设的百度原创关，编辑距离为6，海明距离为8，相似度高达87.5%

AI伪原创工具评测2：

码迷不死心，又要了另外一家AI伪原创：

最终结果：

没有过假设的百度原创关，编辑距离为7，海明距离为10，相似度高达84.3%

AI伪原创工具评测3：

码迷还是不死心，又要了另外一家AI伪原创：

最终结果：

他xx的什么破AI伪原创，编辑距离只有4，海明距离为6，相似度高达90%！被百度干的都不剩，别误人子弟好不好？

结论

首先、直接伪原创不容易过百度原创

人家百度几千号人来做开发呢，就凭一个伪原创就能过了百度检测吗？所以大家千万不要直接采集人家的内容，稍微伪原创就发到自己网站上了，这就是作死。

其次、同义词替换语句颠倒没毛用

某些网站声称几十万的同义词近义词词库，码迷告诉大家，百度为了压缩索引，同义词词库可比你们任何词库都丰富的多，人家的同义词库还是分词性的。另外语句颠倒不会影响simhash算法结果哦。

如何做采集过原创

但是人家有些人靠采集就能做出排名了，这是为什么？有些人靠采集组合也能有排名，即使不用上伪原创就能上百度排名。码迷一个合作伙伴网站，还没起来就被飓风算法打的都不剩了，但是经过码迷研究，让其更新采集组合算法之后，又恢复了往日的精彩~

下一篇文章我们将讨论如何才能通过采集过百度原创判定算法，因为毕竟是不断的投入研究实验花费了大量精力，所以码迷将在通过码迷官方群734299959，通过群直播的方式带你走进百度飓风算法3.0的倒戈之旅。