“如果我是百度”-百度怎么识别一篇文章是否原创的，我只写自己的见解，不喜勿喷。
蜘蛛抓取一篇页面回去之后第一步要做的就是降噪处理！去掉那些网页上面没用的包括图片 CSS JS 导航栏 扩展阅读等等一些内容，只留下文章跟标题。（如果说你写了一篇文章 用了100个字 结果百度降噪处理的时候 一起给你降噪了，那百度是不会收录这个页面的）
蜘蛛筛选出内容来之后，会提交给下一级，下一级会给这篇内容通过自己特有的算法加上序号（猜测是-MD5值），然后直接对比数值，一般这个用不了1秒就能对比出来，（猜测是一秒以内 可能是几毫秒）
最简单的例子就是IP插叙，IP段够多的了吧，用软件查询马上就能查到是哪里的，这个也是一样的道理。
这个大家都用过吧 百度肯定是百亿级别的，但是大家能明白道理就行了。
我说的这些可能只是百度识别伪原创文章技术的沧海一粟。百度可能还会靠语义分析，自然科学等等的技术。有兴趣的可以了解一下（来源：九零电商）