Разбор алгоритма DomDistiller в Chrome (это движок режима для чтения)

Разбор алгоритма DomDistiller в Chrome (это движок режима для чтения)

Движок парсит *отрендеренный* DOM, а не сырой HTML.

Процесс идет в несколько этапов.

1. Сегментация и оценка блоков

Страница разбивается на текстовые блоки.

Каждый блок оценивается с помощью эвристик:

— Плотность ссылок: Высокое соотношение анкорного текста ко всему тексту — мощный негативный сигнал (так он отсекает навигацию/футеры).

— Плотность текста: Сплошной текст — позитивный сигнал.

— Семантический HTML:

— Позитивные: <article>, <p>, <blockquote>, теги заголовков.

— Негативные: <nav>, <aside>, <footer>, <header>, <form>.

— Черный список классов/ID в CSS: Мощный негативный сигнал. Подстроки в классе или ID типа comment, ad, share, sidebar, social, footer или related жестко пеналят блок.

— Структурные подсказки: Анализируются глубина DOM и соседские связи для поиска паттернов.

2. Кластеризация контента

Алгоритм находит самый большой непрерывный кластер блоков с высоким скором и отбрасывает все, что за его пределами.

Это отделяет основной контент от всякой шелухи вроде встроенной в статью рекламы.

3. Извлечение метаданных и структурированных данных

— В приоритете свойства og: и Schema.org (Article, NewsArticle), чтобы вытащить каноничный тайтл, автора, дату и главное изображение.

— Пагинация определяется по анкорам ("next", "continue", "»", ">") и инкрементным паттернам в URL (например, /page/2, ?p=2).

4. Очистка (санитизация)

На последнем шаге вырезаются все <script>, <style> и обработчики событий; сносится большинство атрибутов class/ID; и превращаются относительные URL в абсолютные.

Суть в том, что сеошники могут использовать алгоритм DomDistiller как наглядную модель, чтобы делать свой контент более машиночитаемым.

Главное — рассматривать его как прокси-модель того, как основные системы Гугла могут анализировать и разбирать страницу в поисках ее основного контента.

Ключевые выводы:

Этот алгоритм — прокси того, как системы Гугла вычленяют основной контент.

Выводы прямые:

1. Юзайте семантический HTML: Используйте <article>, <main>, <aside> и т.д. вместо общих <div>. Это однозначные сигналы.

2. Проведите аудит структуры DOM: Убедитесь, что иерархия DOM отражает логическую структуру контента, а не только визуальную верстку. Парсеры читают код.

3. Следите за именами в CSS: Движок использует черный список классов/ID. Проверьте свой CSS на наличие терминов вроде comment, ad, sidebar, share, related в элементах, которые являются частью вашего основного контента.

4. Используйте структурированные данные для однозначности: Schema.org и OpenGraph — основной источник правды для парсеров, чтобы вытащить каноничный тайтл, автора и дату.

5. Убирайте раздутый DOM: Чистый, плоский DOM с минимальной вложенностью делает извлечение контента проще и точнее.

https://dejan.ai/blog/deconstructing-domdistiller-how-chromes-reader-mode-algorithm-impacts-technical-seo/

@MikeBlazerX

Источник новости https://t.me/mikeblazerx/5733...