#11-Правка текста поста

'#8. Посты : posts';

'Blog_PostController_actionUpdateHtml';

'#layouts_templates_updateHtml';

Правка кода HTML в тексте

<h3>Содержание</h3>
<ul>
<li>Что понадобится для работы</li>
<li>Шаг 1: Получение OpenAI API ключа</li>
<li>Шаг 2: Настройка и запуск Screaming Frog</li>
<li>Шаг 3: Экспорт векторных эмбеддингов и всех внутренних ссылок</li>
<li>Шаг 4: Очистка и форматирование данных</li>
<li>Шаг 5: Импорт подготовленного файла</li>
<li>Шаг 6: Построение внутренних ссылок</li>
<li>Заключение: создание связной структуры внутренних ссылок с помощью эмбеддингов</li>
<li>Шаблоны и ресурсы</li>
</ul>
<p>Когда я впервые прочитал статью Майка Кинга о векторных эмбеддингах, честно говоря, меня это немного напугало. Концепции казались слишком сложными, а применение для SEO &ndash; запутанным. Но с новыми функциями Screaming Frog и отличным гайдом от Гаса Пелоджи я понял, что это мощный инструмент для построения внутренних ссылок.</p>
<p>Опираясь на эти материалы, я решил написать пошаговое руководство, которое поможет даже тем, кто никогда не работал с Python или векторными эмбеддингами. В этой статье я расскажу, как я использовал этот метод для поиска возможностей внутренних ссылок в большом масштабе, и как вы сможете применить его в своей SEO-стратегии.</p>
<h2>Что понадобится для работы</h2>
<p>Для всего процесса мне пригодились:</p>
<ul>
<li>Screaming Frog</li>
<li>OpenAI API ключ</li>
<li>Google Sheets или Excel</li>
</ul>
<p>В итоге у меня получилась таблица, в которой:</p>
<ul>
<li>В колонке A &ndash; все важные URL сайта (целевые страницы);</li>
<li>Во второй колонке &ndash; страницы, которые ссылаются на эти URL (без навигационных ссылок);</li>
<li>Для каждой целевой страницы показаны 5 наиболее близких по смыслу страниц (по косинусному сходству);</li>
<li>Отмечены те страницы, которые должны ссылаться на целевой URL, но не делают этого.</li>
</ul>
<h2>Шаг 1: Получение OpenAI API ключа</h2>
<p>Я зашел на сайт OpenAI, создал новый секретный ключ и скопировал его, чтобы использовать в Screaming Frog.</p>
<h2>Шаг 2: Настройка и запуск Screaming Frog</h2>
<p>Я загрузил готовый конфигурационный файл для Screaming Frog. После этого открыл вкладку API, выбрал OpenAI и вставил свой API ключ.</p>
<p>Затем переключился на &laquo;Prompt Configuration&raquo;, выбрал &laquo;Extract embeddings from page content&raquo; и добавил скрипт из библиотеки. Это позволило Screaming Frog извлекать векторные данные для анализа.</p>
<p>Когда в разделе &laquo;Custom Extraction&raquo; появились числовые значения, я понял, что всё работает правильно.</p>
<h2>Шаг 3: Экспорт эмбеддингов и всех внутренних ссылок</h2>
<ul>
<li>Сначала я сохранил результаты краулинга.</li>
<li>Экспортировал все внутренние ссылки (файл all_inlinks.csv).</li>
<li>Затем выгрузил результаты кастомного скрипта с эмбеддингами.</li>
</ul>
<h2>Шаг 4: Очистка и форматирование данных</h2>
<p>Я воспользовался удобным скриптом на Google Colab от Бриттни Мюллер. Нужно просто загрузить два файла, и скрипт автоматически приведет всё в порядок.</p>
<p>Если возникали ошибки (например, пустая ячейка в колонке Embeddings), я вручную исправлял файл и запускал скрипт заново.</p>
<h2>Шаг 5: Импорт подготовленного файла</h2>
<p>Готовый файл я импортировал в Google Sheets. XLSX-версия удобнее, так как сохраняется условное форматирование.</p>
<p>Теперь в таблице для каждой целевой страницы отображались топ-5 релевантных страниц и отметка, есть ли ссылка на целевой URL.</p>
<h2>Шаг 6: Построение внутренних ссылок</h2>
<ol>
<li>Я искал розовые ячейки в таблице &ndash; они показывали, где ссылки отсутствуют.</li>
<li>Открывал такие страницы и добавлял релевантные внутренние ссылки на целевые URL.</li>
<li>Использовал осмысленный анкор-текст, связанный с содержанием.</li>
<li>В первую очередь прорабатывал страницы с высоким трафиком.</li>
</ol>
<h2>Заключение: создание связной структуры</h2>
<p>Благодаря этому процессу я смог превратить работу с внутренними ссылками в структурированную стратегию. Это не только улучшило SEO-результаты, но и помогло пользователям быстрее находить нужные страницы.</p>
<p>После применения метода на одном клиентском сайте я был удивлен: оказалось, что мы пропустили сотни возможностей. Векторные эмбеддинги помогли найти новые связи между страницами, устранить каннибализацию ключевых слов и улучшить общую архитектуру сайта.</p>

Краткое название: Возможности внутренних ссылок с попомощью векторных эмбеддингов

Полное название Как я нашел возможности для внутренних ссылок с помощью векторных эмбеддингов

Активен Редактировать название и описание

Название

Стандартный редактор Смотреть

Полное название и описание

Полное название (Заголовок)

Описание

Как правило описание должно иметь около 150 знаков. Оно используется для заполнения мета-тега Description веб-страницы.
Сейчас используется - 0 символов

Описание скопировано!

Описание вставлено!