Автоматизация внутренней перелинковки: под ключ для SEO

Внутренняя перелинковка: автоматизация, которая работает

Представьте: на сайте 300 статей, каждая вторая — сирота (не имеет ни одной внутренней ссылки). Google не находит эти страницы, PageRank не течёт, пользователи теряются. Ручная перелинковка таких объёмов — труд 3 редакторов на неделю, а через месяц появятся 10 новых материалов и процесс нужно повторять. Наш опыт показывает: автоматическая система окупается за 1–2 месяца.

Мы берём на себя проектирование и внедрение такой системы — под ключ, с учётом вашего стека. Ниже — как мы это делаем.

Автоматизация решает проблему страниц-сирот

Страницы-сироты теряют трафик и вес

Без входящих внутренних ссылок краулеры редко находят такие страницы, а если находят — не передают им ссылочный вес. Результат: низкие позиции, маленький охват. На одном из проектов мы обнаружили, что 40% блога не имеют ни одной внутренней ссылки — после внедрения автоматики трафик на них вырос в 2,5 раза за 3 месяца.

Ручная перелинковка не масштабируется

На 500+ страницах редактор физически не может помнить все релевантные связи. Он ставит ссылки интуитивно, пропускает очевидные пары. Автоматизированная система (keyword + semantic) находит связи, которые человек не заметил бы, и делает это за секунды.

Анкоры теряют релевантность

Вручную сложно обеспечить, чтобы анкор точно соответствовал содержимому целевой страницы. Keyword-matching гарантирует: ссылка стоит ровно на том слове, которое описывает страницу. Semantic matching идёт дальше — находит страницы по смыслу, даже если анкор не совпадает.

Почему гибридный подход эффективнее одного метода?

Мы используем гибридный подход: keyword-based для прямых вхождений, semantic matching для блока «Похожие статьи». Такая комбинация даёт на 30–60% больше кликов по сравнению с использованием только одного метода.

Keyword-based перелинковка

Собираем словарь ключевых слов из заголовков и мета-полей всех опубликованных статей. Сортируем по длине, чтобы длинные ключи перекрывались раньше коротких (избегаем частичных совпадений: "React" внутри "React Native").

class AutoLinker {
    // Словарь: ключевое слово → URL
    private array $linkMap;

    public function __construct() {
        // Загружаем из кэша или из БД
        $this->linkMap = Cache::remember('autolink_map', 3600, function () {
            return Article::where('is_published', true)
                ->get()
                ->flatMap(fn($a) => collect($a->keywords)->mapWithKeys(
                    fn($kw) => [$kw => route('articles.show', $a->slug)]
                ))
                ->all();
        });

        // Сортируем по длине ключевого слова (длинные сначала, чтобы избежать частичных совпадений)
        uksort($this->linkMap, fn($a, $b) => strlen($b) - strlen($a));
    }

    public function process(string $html, string $currentUrl): string {
        $dom = new \DOMDocument();
        @$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));

        $linked = []; // Не ставим одну и ту же ссылку дважды

        foreach ($this->linkMap as $keyword => $url) {
            if ($url === $currentUrl) continue;
            if (isset($linked[$url])) continue;

            // Ищем только в текстовых нодах, не внутри уже существующих ссылок
            $xpath = new \DOMXPath($dom);
            $textNodes = $xpath->query('//text()[not(ancestor::a) and not(ancestor::code) and not(ancestor::pre)]');

            foreach ($textNodes as $node) {
                $pattern = '/\b' . preg_quote($keyword, '/') . '\b/ui';
                if (preg_match($pattern, $node->nodeValue)) {
                    // Заменяем только первое вхождение
                    $new = preg_replace(
                        $pattern,
                        "<a href=\"{$url}\">{$keyword}</a>",
                        $node->nodeValue,
                        1
                    );

                    $fragment = $dom->createDocumentFragment();
                    @$fragment->appendXML($new);
                    $node->parentNode->replaceChild($fragment, $node);

                    $linked[$url] = true;
                    break;
                }
            }
        }

        return $dom->saveHTML();
    }
}

После обработки каждая страница получает 3–5 дополнительных внутренних ссылок, которые распределяют вес равномерно.

Semantic linking с векторными эмбеддингами

Для блока «Похожие статьи» используем векторные эмбеддинги. При сохранении статьи генерируем эмбеддинг через OpenAI text-embedding-3-small и храним в PostgreSQL с расширением pgvector. Поиск похожих — это запрос на косинусное расстояние.

class SemanticLinker {
    public function findRelated(Article $article, int $limit = 5): Collection {
        // Предварительно рассчитанные эмбеддинги хранятся в PostgreSQL + pgvector
        return Article::selectRaw('*, embedding <=> ? AS distance', [$article->embedding])
            ->where('id', '!=', $article->id)
            ->where('is_published', true)
            ->whereRaw('embedding IS NOT NULL')
            ->orderBy('distance')
            ->limit($limit)
            ->get();
    }

    // Расчёт эмбеддинга при сохранении статьи
    public function generateEmbedding(Article $article): void {
        $text = $article->title . "\n" . strip_tags($article->excerpt);
        $response = Http::withToken(config('openai.key'))
            ->post('https://api.openai.com/v1/embeddings', [
                'model' => 'text-embedding-3-small',
                'input' => $text,
            ]);
        $embedding = $response->json('data.0.embedding');
        $article->update(['embedding' => json_encode($embedding)]);
    }
}

Результат: блок похожих статей не по одним тегам, а по реальной смысловой близости. Конверсия в клик по таким ссылкам выше на 30–60%.

Компонент «Похожие статьи» на React

Готовый UI-компонент, который подгружает данные с API и отображает в виде карточек. Требуется React 18+ и TanStack Query.

// RelatedArticles.tsx
interface Article {
  id: number;
  title: string;
  slug: string;
  excerpt: string;
  category: string;
}

export function RelatedArticles({ articleId }: { articleId: number }) {
  const { data: related } = useQuery({
    queryKey: ['related', articleId],
    queryFn: () => fetch(`/api/articles/${articleId}/related`).then(r => r.json()),
    staleTime: 5 * 60 * 1000,
  });

  if (!related?.length) return null;

  return (
    <aside className="mt-12 border-t pt-8">
      <h3 className="text-lg font-semibold mb-4">По теме</h3>
      <div className="grid grid-cols-1 sm:grid-cols-2 gap-4">
        {related.map((article: Article) => (
          <a
            key={article.id}
            href={`/articles/${article.slug}`}
            className="block p-4 border rounded-lg hover:border-blue-400 transition-colors"
          >
            <span className="text-xs text-blue-600 uppercase tracking-wide">{article.category}</span>
            <h4 className="font-medium mt-1 text-sm leading-snug">{article.title}</h4>
          </a>
        ))}
      </div>
    </aside>
  );
}

Какие результаты показывает гибридный подход?

Сравните ключевые метрики до и после внедрения:

Что входит в работу

Итого: 3–7 рабочих дней в зависимости от стека и сложности интеграции. Свяжитесь с нами для предварительной оценки вашего проекта.

Как мы работаем

1. Анализ — аудит текущей структуры, сбор семантики, выявление страниц-сирот.
2. Проектирование — выбор подхода (keyword, semantic или гибрид), архитектура словаря, интеграция с CMS.
3. Реализация — написание кода linker'а, настройка эмбеддингов, разработка UI-компонента.
4. Тестирование — проверка на тестовых данных: нет ли поломки вёрстки, не зацикливаются ли ссылки, корректно ли работают исключения.
5. Деплой и мониторинг — выкатка на продакшн, логирование ошибок, отслеживание метрик (количество ссылок, LCP, INP).

Чек-лист: готовы ли вы к автоматической перелинковке?

• [ ] Все статьи имеют уникальные заголовки и мета-описания
• [ ] В CMS есть поле «ключевые слова» (или мы можем добавить)
• [ ] Ваш стек поддерживает PHP 8.3+ или Node.js (для эмбеддингов)
• [ ] Есть PostgreSQL (для pgvector) или готовы перейти

Если на все пункты «да» — внедрение займёт 3–5 дней. Если нет — мы поможем доработать структуру. Закажите консультацию — мы проанализируем ваш сайт, составим смету и скажем точные сроки.