上个星期写过一篇文章， 让你的站跟新浪的新闻数据保持同步，有一些网友产生了兴趣，于是我决定再和大家分享一下里面所提及的伪原创系统，介绍其实现的原理，这个系统在我的西西弗斯工作室中也有介绍。
搜索引擎毕竟还是个机器，通过改改标题，替换一些词语，打乱一些章节，插入一些链接等手段，就能达到伪原创的目的，目前网上也有类似的伪原创工具，但还需要人工操作去生成，所以我就想做一个全自动，无人监控的自动伪原创系统，结合自动采集程序，可以实现采集->入库->伪原创的流程，并且整个过程实现无人管理，并具有实时性。
言归正传，要做到更改词语而不影响文章语义，比较好的方法就是使用同义词进行替换，所以我想到第一步，是建立同义词库，在网上搜索这种数据库无果后，决定找相关的网站进行采集，发现金山词霸可以很好地满足我的要求，通过采集，建立起了词库，上万条数据。
然后就是进行关键词替换了，那么怎么样替呢，替换哪些呢?我的想法是先对文章进行分词，分成若干个词组，然后取长度大于两个汉字的，在同义词库中进行搜索，如果有，则替换之，我使用python来实现这个流程的，另外为了加速同义词的速度，可以使用key-value进行存储。一些关键代码如下:
def getnewword(text，list):
cxn。execute("select id from tool_words where name='%s' limit 1"%text)
result=cxn。fetchone()
if type(result) is not NoneType:
cxn。execute("select name from tool_wordslike where wid=%d order by rand() limit 1"%result[0])
result4=cxn。fetchone()
if type(result4) is not NoneType:
list[text]=result4[0]
def cuttest(text，flag):
list={}
wlist = seg。cut(text)
wlist。reverse()
result=""
for tmp in wlist:
if len(tmp)>1:
if flag==1:
getnewword(tmp，list)
if flag==1:
result=""
for k in list。iterkeys():
result+=k+"，"+list[k]+";"
else:
result+=tmp+";";
return result
不过毕竟伪原创系统，也是一个程序，肯定不可能完全保证语义的不恰当，语句的流畅，主要提供给那些做垃圾站的达人们，哈哈，我记得我的网站有一篇转换后相当搞笑，http://www.xxfsw.com/show24047.html，诺贝尔物理学奖得主俄院士金茨堡逝世，结果把逝世转成了圆寂，我都无语了。当然除了近义词的替换外，还有段落的颠倒，插入链接等，这些就比较容易实现，我就不细语了，大家根据实现情况选择，后来我也想了一些方法，可以实现对搜索引擎呈现使用伪原创后的内容，对实现用户提供伪原创前的内容，这样既达到了目的，又不影响用户体验，只是不知道这样的危险有多大，会不会被百度人工查出。
于是乎，经过这样一番折腾，百度蜘蛛来到了你的站，大惊了一下：哎呀小样，这文章内容没见过啊!收了。