前面2个文章，其实已经讲完了，怎么匹配内链的问题。但是还有一部份更技术化的内容并没有涉及。本文来详细讨论讨论。

前文讨论的问题，有几个前提，并没有说明清楚。

一、 文章需清理。

什么 是文章需清理。大家想一下，假如文章里面我添加了一个图片，图片链接里面有中文，直接使用内链，可能会把图片链接里面的中文拿去分词处理，实际上我们是不需要的。我们需要的是对纯文本内容进行分词处理。

所以，在分词前，需要有一步，清理所有HTML标签。非常重要。

二、替换不简单

假如一篇800字的文章讲SEO工具相关的一篇文章，我们已经用前面的方法匹配出来，SEO优化、SEO优化工具、SEO优化工具好不好，这3个词需要做内链。

是不是直接拿这3个词，把文章里面的SEO优化，替换成<a href=”内链链接” target=”_blank”>SEO优化</a>就完事了。如果只是这样，我只能说Too young,to naïve。现在所有后台涉及文本编辑的地方，可都不是纯文本。那是富文本编辑器。比如下面这个：

这并不是真实的源代码。页面的源代码是带标签的：

我们在匹配的那步是清理完所有标签去匹配关键词的。这是没有问题的。但是匹配出来的词，我们要往HTML内容里面加链接就会遇到相当多的问题了。

以Img和Alt标签为例。假如代码是下面这样的

<img src=”logo.jpg”alt=”SEO优化“ /> 我们需要的是文章里面的关键词加上链接。如果直接加上链接，这段代码会变成<img src=”logo.jpg”alt=”<a href=”link” target=”_blank”> SEO优化</a>“ />标签里面再嵌入了一层标签，这种做法显示是错的。到时候页面会出现大量的乱码。

解决方案当然是有的，经过大量的测试。我们只需要在添加内链之前，做一个处理就行了。使用的当然是最无敌的正则表达式。我把这个方法叫做替换还原法。步骤如下：

Step1：设定一个不可见字符，比如ん、⊙这种。把文章中的这种字符清理掉（正常文章应该不会有这种内容）。

Step2：匹配所有Img标签。替换并记录到字典。这句话很费解的，大概意思就是把所有<img src=”logo.jpg”alt=”SEO优化“ />，按顺序替换为ん1ん，第二条替换为ん2ん，以此类推，然后把关系写到Map里面一一对应，在Java里面是Map，在 C#里面是dictionary，在Python里面是dict，在PHP里面是数组。

结构会是这样的：

ん1ん  => <img src=”logo.jpg”alt=”SEO优化“ />

ん2ん  => <img src=”logo.jpg2”alt=”SEO优化2“ />

ん3ん  => <img src=”logo.jpg3”alt=”SEO优化3“ />

为什么这样做呢，我需要把文章里面不能动的内容抽出来，但是抽出来之后，得还原回去，所以需要把抽出来的内容，做一个位置标记。像ん1ん这样的就是一个位置标记。

Step3：同样替换A标签，匹配时，使用正则可以快速匹配。并一个个替换掉。

Step4：现在的文章里面，应该已经没有img和A标签了，已经被替换成了ん1ん这样的内容。加上一些正常的文字了。现在可以遍历分词法得到的关键词和链接，开始插入链接了。

简单的办法是：根据位置记录下关键词，替换下来之后，同样使用ん1ん替换占位，把结果放到Map里面。

Step5：终于要成功了，现在需要做的就是遍历Map里面的数据还原回来。把所有ん1ん还原为Map里面的Value的内容。这篇文章就处理完成了。

此外的逻辑相当复杂，就不贴代码了。代码超过400行。

方法还算比较巧妙，但是目前为止，我也没见过更好的算法可以实现。

三、 收尾。

还有一些收尾工作，比如SEO优化只能加3次，加到之后，别的文章不再使用。

比如优先按最长的关键词加链接。在上面的Step4里面对关键词进行一轮排序，按长度从前往后排就行了。

比如记录每个页面的内网结果。需要保存之后，把页面ID和关键词内链表的ID关联起来保存下来即可。

结尾语：看似简单的关键词内链，其实是异常复杂的一套逻辑和架构。越是海量的内容，如果对SEO依赖非常高，对内链系统的建设来说，也是一套很挑战的技术。希望大家有所收获。