許多搞搜尋引擎優化或搜尋引擎行銷的人對於PageRank可以說是又愛又恨，愛的是當進行優化作業後獲得高的PageRank時，可以當作優化作業的量化成果；恨的是到底PageRank是怎麼計算的根本捉摸不定，並且得到高的PageRank又好像對於優化沒有什麼助益。而對於網路技術似懂非懂的人來說，要瞭解PageRank的真正原理與計算方式，更是一件瞎子摸象的任務。
我們先把PageRank必須瞭解的要點說明如下：
1. PageRank只是評比網頁重要性的指標之一，PageRank所代表的是網頁的概括性評比等級。也就是這個網頁在你所設定的內容上，經Google評估後所給的分數。
使用者下了關鍵字後，也許你的網頁有此關鍵字，但根據這個關鍵字或關鍵字組合，Google會再給你的網頁一個搜尋結果頁（Search Engine Results Page，SERP）分數，這個SERP分數與PageRank分數不一定會成正比。
2. 當網頁A內有連結指向其他網頁B，網頁A的PageRank分數不一定能夠貢獻給網頁B。網頁B是否能夠得到網頁A的PageRank分數取決於兩個因素，第一個因素是網頁A指向網頁B的連結是否有rel="NoFollow"屬性，如果有這個屬性，則網頁B得不到網頁A的PageRank分數。
另外的因素是由Google判斷，網頁A指向網頁B的連結是否為「有效連結」，牽涉到垃圾連結偵測與網頁內容相關性分析。也就是某個網頁有許多的backlink，但是卻沒有應得的PageRank，就是因為Google判定某些連結是無效的。連結數的多寡已經越來越不能保證高的PageRank，也越來越不能保證得到優秀的搜尋結果，只有優質的連結與優質的內容才能被搜尋引擎採用。
3. PageRank的等級從1到10（PageRank為零就不算有PageRank等級），「PageRank等級」並不是「PageRank分數」。當網頁的PageRank等級是5，並不是經過PageRank演算法計算後數字是5，而是計算後數字落在是等級5的範圍內，越高等級的PageRank分數區間範圍會越大。
4. 當網頁A連接到網頁B，對於網頁A整體來說是加分還是扣分，取決於三個因素：PageRank分數計算、網頁B被搜尋引擎認定為「壞的網頁」或「好的網夏」、網頁B對網頁A是否被搜尋引擎認定為「具參考價值」並且內容相關。
網頁A連接到網頁B，網頁A的PageRank分數計算可能會增加也可能減少（參考後面收斂的說明），完全看整體連結分怖，但是當網頁A的PageRank分數計算因連到網頁B而減少時，也可能網頁B對網頁A被搜尋引擎認定為「具參考價值」並且內容相關。這個時候就不能只考慮PageRank分數。
Larry Page在1996年間發明了PageRank的演算法，爾後又與Sergey Brin在Stanford發表了「The Anatomy of a Large-Scale Hypertextual Web Search Engine」，這個Web Search Engine就是現在使用的Google。而PageRank詳細內容到1998年才發表，並且到2001年才取得專利。
PageRank另外讓人痛恨的是，外界所看到的演算法是理論上的，因為理論上有許多假設，而這些假設在現實世界是行不通的，例如理論上的PageRank演算法沒有考慮垃圾連結（Spam Link），並且理論上假設連結表示內容是相關的，但是在實務上卻充斥太多垃圾連結，就算不是垃圾連結也不一定內容相關。
如果你想以PageRank演算法要來估算你的網頁，會發現是一件不可能的任務，因為大多數人都看不懂PageRank演算法的表示法，頂多知道「外部連結進來可以讓網頁累積PageRank」，「網頁的總連結數目太多會分散PageRank的貢獻度」。
為了解決這個問題，我們以理論上與實務上兩方面來探討PageRank演算法，讓讀者可以一次把PageRank的迷團打開。
1. 理論上的PageRank演算法
PageRank公式如下：
以上d指damping factor，其值在0～1，一般設為0.85。damping factor（翻譯成「延滯係數」或「阻尼常數」），該數值越小會讓計算更簡單，詳細說明參考（二）PageRank演算法的收斂。
PR（Vi）為Vi這個頁面的PR分數
In（Vi）為進進Vi這個頁面的連結數目
Out（Vi）為Vi這個頁面連出去的連結數目
以上的PageRank公式只是眾多表示法的其中之一，但是這個公式是普遍被接受並且較易理解的公式。不過大概很多人看到以上的公式就不想看了，所以我們再用比較簡單的表示法來說明。
如果網頁P有n個網頁連進來，這些網頁以L1、L2到Ln表示。網頁P可以得到的PageRank分數就是：
PR（P）=（1-d）+
d
假設現在有個連結狀況如上圖3-29如果有網頁B、C連結到網頁A，並且網頁B連到網頁C，PR（A）代表網頁A的PageRank分數。
PR（A）=（1-d）+d
PR（C）=（1-d）+d
因為網頁B、C連結到網頁A，PR（A）就會由網頁B、C貢獻過來，而網頁B連結到網頁A與網頁C，所以網頁A、C各分得PR（B）的一半貢獻。而網頁A還有連結來自網頁C，而網頁C只有一個連結，所以得到PR（C）的全部貢獻。將連結網頁的貢獻度總合再乘以d，加上（1-d）就是目的網頁的PageRank分數。
這裡的PR（A）、PR（B）、PR（C）都是指PageRank分數，而非PageRank等級。
所以如果d=0.85，PR（B）=4
PR（C）=（1-0.85）+0.85
PR（A）=（1-0.85）+0.85
但是以上的PR（A）、PR（B）、PR（C）都只是PageRank分數，而不是PageRank等級。不然看起來網頁B的PR4，就可以讓網頁C變成PR1、網頁A變成PR3，如果這麼簡單的話，就沒有PR0的網頁了。當然以上只是以假設PR（B）=4來解釋，並且尚未進行迭代收斂的計算。
假設我有一個網頁Z具有5000個外部連結，且這些外部連結PageRank分數都為1，且這些外部連結本身都有100個連結。
PR（Z）=（1-d）+d
以上的式子是說網頁Z由這些外部連結得到PageRank分數42.65，這個值當然不是PageRank等級，它只是PageRank分數，PageRank分數如何對照到PageRank等級在後面會詳細說明。
2. PageRank演算法的收斂
在上述的PageRank演算法中，有兩個問題需要解釋：為什麼要有「延滯係數」呢？如果連結互有來往，不是會算到天荒地老嗎？
這兩個問題其實可以算是一個問題，問題的答案就是：「延滯係數」就是為了計算的效率，能夠在天荒地老之前計算出來接近準確的教字，也就是讓數字儘速的收斂（Convergence）到穩定的數字。
這個答案可能看起來也解決不了大家的疑惑，我們就以一個簡單的例子來說明。
由PageRank的公式可以得到如下計算：
PR（A）=（1-d）+dPR（C）
PR（B）=（1-d）+d
PR（C）=（1-d）+d
如果初始設定d=0.85，且PR（A）、PR（B）、PR（C）初始都為1。
PR（A）=0.15+0.85=1
PR（B）=0.15+0.425=0.575
PR（C）=0.15+0.91375=1.06375
但是因為網頁互有來往，所以不能這樣就算了，我們以填表的方式來說明整個計算。
你會發現上面的計算到某個階段，PR（A）、PR（B）、PR（C）會慢慢趨近某個數值，到最後就不再變化，這個就是計算結果已經收斂，我們用圖表的方式看就更清楚了。
其中d值的任務就是決定計算結果收斂的速度，d值越小其收斂越快。但PageRank又要考慮網頁的貢獻度（0.85表示貢獻出85%的數值），所以又不能太小，最後經實驗結果，認為0.85是最合理的數值。
前面的假設PR（A）、PR（B）、PR（C）的初始設為1，如果不是1會如何呢？
我們若使用d=0.85，假設PR（A）、PR（B）、PR（C）的初始設為0，其計算結果如下：
你是否發現結果是一樣的呢？所以不管PR（A）、PR（B）、PR（C）的初始值如何，只要d值相同，則最後計算結果就會一樣。
當然實際上整個網頁連結複雜度不是只有網頁A、B、C，所以還是有許多研究提出方法來讓PageRank計算更快收斂，並且更加精準。
前面提到網頁A連接到網頁B，網頁A的PageRank分數計算可能會增加也可能減少，我們用一個例子來說明。如果連結狀況依序是網頁B、網頁N1、網頁N2、網頁N3、網頁A，經過PageRank演算法計算：
PR（A）=0.5562947
PR（B）=0.15
PR（N1）=0.2775
PR（N2）=0.385875
PR（N3）=0.4779938
我們現在來看網頁A如果有連回網頁B或其他網頁的狀況。如果網頁A連回網頁B，經過PageRank演算法計算，所有網頁的PageRank全部成為1。
如果網頁A連回網頁N1，經過PageRank演算法計算：
PR（A）=1.1638116
PR（B）=0.15
PR（N1）=1.2667399
PR（N2）=1.2267289
PR（N3）=1.1927196
如果網頁A連回網頁N2，經過PageRank演算法計算：
PR（A）=1.4416448
PR（B）=0.15
PR（N1）=0.2775
PR（N2）=1.6112731
PR（N3）=1.5195821
如果網頁A連回網頁N3，經過PageRank演算法計算：
PR（A）=2.0046655
PR（B）=0.15
PR（N1）=0.2775
PR（N2）=0.385875
PR（N3）=2.1819595
所以如果網頁連結到「貢獻群網頁」，對其PageRank有加分作用；但如果網頁連結到「非貢獻群網頁」，對其PageRank就有減分作用。所謂「貢獻群網頁」就是指這群網頁其中有連結到某網頁A上，這群網頁對於網頁A就是「貢獻群網頁」，反之則是「非貢獻群網頁」。但是，前面也提到不能只考慮PageRank加減分作用，還要考慮連結網頁的「好壞」跟「參考相關性」。
真實的網頁連結複雜度，不是上述的結構可以說明，你很難去預測全部「貢獻群網頁」與「非貢獻群網頁」，頂多只能局部預測，所以反而把重點放在連結網頁的「好壞」跟「參考相關性」，是比較正面的作法。
3. 實務上的PageRank演算法
如果你問說：「我現在的PageRank等級是1，那我應該還需要多少連結，PageRank才能到達2呢？」
如果你用理論上的PageRank演算法，大概算到天荒地老也算不出來。所幸在2004年有一位Bob Wakfer用照表操課的方式幫你計算，讓你有一個概念。
以上這個Bob Wakfer的表格就更清楚說明了PageRank分數跟PageRank等級，當PageRank等級為1時，其PageRank分數是在6～30的區間範圍；當PageRank等級為2時，其PageRank分數是在30～164的區間範圍，依此類推到PageRank等級10。
例如PageRank等級5表示PageRank分數需累積到大於5033，小於27213。所以同樣是PageRank等級5的網頁，可能具有的PageRank分數就有很大的差異。
這個表格假設d值是0.85，並且平均每頁的連結數目是50個。因此每個PageRank等級為1的網頁連結，平均會貢獻出0.30的PageRank分數；每個PageRank等級為2的網頁連結，平均會貢獻出1.65的PageRank分數；每個PageRank等級為3的網頁連結，平均會貢獻出9.06的PageRank分數；依此類推到PageRank等級10。
所以要讓網頁的PageRank等級成為5，就需要16803個PageRank等級1的連結；或需要3055個PageRank等級2的連結。
如果需要調整d值與平均每頁的連結數目，你可以下載Bob Wakfer的試算表來自己設定。
所以「我現在的PageRank等級是1，那我應該還需要多少連結，PageRank才能到達2呢？」，以上面的表格來看，你的網頁可能需要PageRank分數為1～25分左右，也就是需要4～9個PageRank等級1的連結。
在前面的例子中，假設我有一個網頁Z具有5000個外部連結，且這些外部連結PageRank分數都為1，且這些外部連結本身都有100個連結。
也就是說網頁Z僅具備PR2的標準。
但是如果只是如此照表操課的話，世界就太美好了，因此Google為了鍛鍊大家的體格，還另外加上了一條規則：並非每個連結都是計算PageRank的有效連結。
因此如果你的網頁有16803個PageRank等級1的連結，不代表網頁的PageRank等級會到達5，其中如果被Google判定為垃圾連結或不相關連結，其連結貢獻度就是零。因此想要提升PageRank等級，唯一方式就是增加「有效連結」，而非只是求得連結數目。
什麼是「有效連結」？就是不能把重點只放在搜尋引擎優化技巧，而需全面的網站優化，進行我們所說的CLOUDS六大步驟。才能真正把每個頁面的重要度提升，進而在搜尋結果頁面有優秀的表現。
網路行銷 網頁設計 
Excited!
Bravenet Blog 
Blog Community
Get a Free Blog
Manage your Blog
bravenet.com