做站点运营的人常会盯着两个数字：站内实际能打开的页面数，和搜索结果里显示的索引量。这两个数字几乎从来不会相等，差出几倍甚至几十倍都不奇怪。问题不在于数字本身，而在于你无法判断这个差距是正常的，还是有一批页面本该被收录却没有，又或者有一批不该存在的地址正在占用索引位置。要回答这个问题，先把“应收录基线”建出来。
为什么两个数字天生对不上
索引量是搜索引擎侧的估算值，更新有延迟，统计口径也不完全对等；站内页面数则取决于你怎么数——数据库里有多少条记录、后台有多少篇已发布内容、还是爬虫实际能访问到多少个返回正常状态的地址。三种数法能差出好几倍。所以第一步不是去解释差距，而是先确定拿什么去比。
第一步：定义应收录基线
基线指的是：你希望被搜索引擎发现并纳入索引的那部分 URL。它不是全站所有 URL，而是筛掉噪声之后的结果。常见判断可以按下面三条来梳理：
- 应当纳入：独立的内容详情页、有独立检索价值的栏目页、承载唯一内容的分页或聚合页。
- 不应纳入：站内搜索结果页、带排序或筛选参数的地址、测试与预览地址、重复的 URL 变体（大小写、尾斜杠、跟踪参数）。
- 需要单独决策：分页、标签页、作者页、归档页。它们不是天然该收或不该收，取决于是否有独立内容与内链价值。
把这三类分开记录，基线才有意义。否则“少了三百个页面”这种结论，很可能只是把参数页算进去了。
第二步：把基线变成可核对的清单
口径确定之后，尽量让它可复现，而不是每次凭印象重来。一个可用的流程是：
- 从站点地图、数据库或后台导出全部 URL，形成主清单。
- 按上面的三类规则打标签，剔除明确不该收录的地址。
- 对保留的 URL 做一次可访问性抽检，确认返回状态正常、内容不是空壳。
- 记录清单生成时间。后续比对必须使用同一口径的清单，否则差异无法解释。
清单不必做到百分之百全量，但抽样规则要固定，比如按栏目分层各抽一部分，这样每次结果才具备可比性。
第三步：分类比对差异
拿到基线和索引数据之后，差异通常落在两个方向，处理方式完全不同。
索引量多于基线
说明有一批你没打算让它进索引的地址被收录了。常见来源是参数组合、站内搜索、多域名或多协议入口、历史遗留的旧地址。这时要做的不是逐个删页面，而是回到 URL 生成源头收敛，再对已经存在的那部分用规范标签或状态码处理。
索引量少于基线
说明有一批本该被收录的页面没有进入索引。这时要把“没收录”再拆开看：是没被发现、被发现但没抓取、抓取了但没编入索引，还是编入过又被移出。这几类的排查方向差异很大——发现环节看内链和站点地图，抓取环节看服务器日志与响应速度，编入环节则要看页面质量与重复程度。
第四步：按类型决定动作
- 多余的参数地址：从链接生成处收敛，配合规范标签或抓取规则。
- 重复的内容页：确定主版本，其余做规范指向或合并。
- 长期不收录的弱内容页：先判断是否值得保留，不值得就合并或下线。
- 有独立价值但收录慢的页面：优先补内链入口，而不是反复提交。
把“索引量对不上”拆成“哪些该收没收、哪些不该收却收了”两个问题，比反复提交地址或猜测算法更有效。数字本身不解决问题，口径才解决。
最后提醒一点：索引数据更新有延迟，刚上线或刚改版的站点在几周内数字波动都属于正常范围。核对周期建议拉到两周以上，避免把延迟当成问题去处理。