上個星期寫過一篇文章， 讓你的站跟新浪的新聞數據保持同步，有一些網友產生了興趣，於是我決定再和大家分享一下裡面所提及的偽原創系統，介紹其實現的原理，這個系統在我的西西弗斯工作室中也有介紹。
搜尋引擎畢竟還是個機器，透過改改標題，替換一些詞語，打亂一些章節，插入一些連結等手段，就能達到偽原創的目的，目前網路上也有類似的偽原創工具，但還需要人工操作去生成，所以我就想做一個全自動，無人監控的自動偽原創系統，結合自動採集程序，可以實現採集->入庫->偽原創的流程，並且整個過程實現無人管理，並具有實時性。
言歸正傳，要做到更改詞語而不影響文章語義，比較好的方法就是使用同義詞進行替換，所以我想到第一步，是建立同義詞庫，在網上搜索這種數據庫無果後，決定找相關的網站進行採集，發現金山詞霸可以很好地滿足我的要求，透過採集，建立起了詞庫，上萬條數據。
然後就是進行關鍵字替換了，那麼怎麼樣替呢，替換哪些呢?我的想法是先對文章進行分詞，分成若干個詞組，然後取長度大於兩個漢字的，在同義詞庫中進行搜索，如果有，則替換之，我使用python來實現這個流程的，另外為了加速同義詞的速度，可以使用key-value進行存儲。一些關鍵程式碼如下:
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
不過畢竟偽原創系統，也是一個程序，肯定不可能完全保證語義的不恰當，語句的流暢，主要提供給那些做垃圾站的達人們，哈哈，我記得我的網站有一篇轉換後相當搞笑， http ://www.xxfsw.com/show24047.html ，諾貝爾物理學獎得主俄院士金茨堡逝世，結果把逝世轉成了圓寂，我都無語了。當然除了近義詞的替換外，還有段落的顛倒，插入連結等，這些就比較容易實現，我就不細語了，大家根據實現情況選擇，後來我也想了一些方法，可以實現對搜尋引擎呈現使用偽原創後的內容，對實現用戶提供偽原創前的內容，這樣既達到了目的，又不影響用戶體驗，只是不知道這樣的危險有多大，會不會被百度人工查出。
於是乎，經過這樣一番折騰，百度蜘蛛來到了你的站，大驚小怪了一下：哎呀小樣，這文章內容沒見過啊!收了。