为什么建议用抽样，而不是全站核对
收录状态不是一次就能查清的固定属性。它随抓取频率、索引刷新、页面改动而变化，同一批 URL 今天查和下周查，结果可能不同。如果你的站点有几千甚至几万个 URL，逐条去核对既不现实，得到的也只是一张某一时刻的快照。
抽样要解决的不是“一共收录了多少”，而是“哪一类页面出了问题”。只要样本分层合理，几十个 URL 就能给出足够明确的方向，再决定要不要往下深挖。
先分层，再抽样
随机的 100 个 URL 参考价值有限，因为站内页面本来就不是同质的。商品页、文章页、列表页、帮助文档，它们的入口深度、更新频率、模板结构差别很大，混在一起抽，问题会被稀释掉。建议至少按下面几个维度切一层：
- 按目录或模板分：不同栏目往往共用不同模板，出问题也常常是模板级的。
- 按入口深度分：首页直接链接的页面，和需要点四五层才到的页面，抓取机会本就不同。
- 按上线时间分：新上线的页面和两三年前的老页面，遇到的问题类型通常不一样。
- 按内容供给方式分：手工编辑的页面和程序批量生成的页面，值得分开看。
分层不用追求精细，能区分出“这几类页面的处境不一样”就够了。层数太多，每层样本太少，反而看不出结论。
每层抽多少，核对哪几件事
每一层抽 10 到 20 个 URL，通常已经能看出趋势。样本从哪来？可以优先从站内链接、内链结构、sitemap 里各取一部分，尽量覆盖不同入口，而不是全部取自首页导航。
对每个样本，建议核对三件事，顺序上从抓取到索引再到内容：
- 抓取情况：日志里有没有搜索引擎的访问记录，返回的状态码是什么，抓取频率是持续的还是只有一两次。这一步回答问题：蜘蛛到底来没来。
- 索引状态：用站点查询或 URL 检查工具看这个 URL 是否有索引结果，同时确认页面的 canonical 指向哪里，是否指向了自己。这一步回答问题：抓取之后有没有进入索引。
- 一致性：索引里呈现的标题、摘要，和当前页面是否一致；如果索引的是旧版本，说明还没重新抓取或刷新。这一步回答问题：索引里的内容是不是当前的。
三件事分开看，比笼统判断“收录了没有”更有用。抓取缺失、抓取但未索引、索引版本陈旧，对应的处理方向完全不同。
几种常见的误判
- 把站点查询的数量当作收录总量。它只是粗略估计，不同时间、不同查询方式的结果会有出入，拿它做同比环比很容易得出错误结论。
- 把“抓取过”直接当成“已收录”。日志里出现访问，只说明页面被发现过，是否进入索引是另一回事。
- 样本全来自浅层页面。如果样本都取自首页和导航，等于只测了最容易收录的那部分，深层页面的问题会被掩盖。
- 只抽新页面。老页面的索引回收同样是收录健康度的一部分，只盯着新上线的内容，会漏掉这类信号。
- 观察窗口太短。刚提交或刚改动的页面，短时间内没有出现在索引里属于正常现象，据此下结论容易误判。
什么时候值得扩大到全量核对
抽样是筛查，不是终点。当某一层的样本普遍异常，比如整个栏目的页面都没有抓取记录，或者某类模板的页面索引状态全部为空，这时候再对这一层做全量核对才有意义。反过来，如果各层样本表现接近，说明问题不在收录环节，继续扩大核对范围收益不大。
收录状态本质上是动态的，抽样核对的目的是尽快找到问题的边界，而不是给出一份精确的统计报表。
把核对结果按层记录下来，标注每层的问题是抓取不足、索引缺失还是内容不一致，下次再查时就有了对比基准。这比每次重新翻一遍索引报告要省事得多。