把 Sitemap 寫好，是让蜘蛛知道站点有哪些 URL 的最省事的方式之一。但很多人寫完一份 sitemap.xml 之後就不再管它，直到某天發現新頁面迟迟没有動静。問题往往不在“有没有 Sitemap”，而在“Sitemap 寫得對不對、拆得合不合理”。

一個 Sitemap 文件能装多少條 URL

按照通行的 Sitemap 协议，單個文件有两個硬性上限：

• URL 條數不超過 50,000 條；
• 未压缩体积不超過 50MB。

這两條是“或”的關系，任意一條超了，就需要拆分。超限的文件可能被直接忽略，或者只讀到一部分，结果就是後面那一大段 URL 既不在 Sitemap 里，也没人知道它們丢了。

如果内容本身结构简單，可以先按体积估算：一條 URL 加上 lastmod 大约几十到一百多字节，5 萬條通常還遠不到 50MB。反過来，如果每條都带較長的标簽或图片信息，体积可能先到顶。

Sitemap 索引文件：把多份 Sitemap 串起来

拆分之後，需要一份索引文件（sitemap index）来匯總。它的结构和普通 Sitemap 不同：

• 根元素是 sitemapindex，下面每個 sitemap 元素包含一個 loc，指向子 Sitemap 的地址；
• 可以带 lastmod，用来表示這份子 Sitemap 的更新時間；
• 索引不能再嵌套索引，只能有一层。

索引文件本身也要遵守同样的條數和体积限制，不過 5 萬份子 Sitemap 這個量級，绝大多數站点一辈子也用不到。

该按什么维度拆分

拆分不只是為了绕過上限，也方便你後續观察。常见的几種切法：

• 按内容類型：文章、商品、分類、标簽各一份。哪一類被抓取得慢，一眼能看出来。
• 按更新時間：新近更新的内容單獨成一份，回訪节奏會更集中。
• 按語言或地区：多語言站点按目錄切分，便于和 hreflang 對應。
• 按數量平均切：内容類型單一时的兜底方案，但观察價值較低。

几種常见的寫法错誤

• 用了相對路径。loc 必须是完整的绝對 URL，包含协议和域名。
• URL 里带未轉义的字符，比如空格、中文、& 等，需要做编碼處理。
• 把 robots.txt 里 Disallow 屏蔽掉的地址也放進去，等于自己和自己打架。
• 把 404、410 或跳轉地址放進去。蜘蛛顺着抓過去只會浪費一次請求。
• 每次生成都刷新所有 lastmod。時間戳全都一样时，這個字段基本失去了參考意义。
• 把大量低质或重复參數頁面塞進去，稀释了真正需要被抓的地址。

放在哪里，蜘蛛怎么找到它

最通用的做法是放在站点根目錄，比如 https://example.com/sitemap.xml，然後在 robots.txt 里用 Sitemap 指令声明完整地址。這样即使蜘蛛是第一次来，也能顺着 robots.txt 找到入口。

除了 robots.txt，站長平台的手動提交也是一個入口，适合刚上线、外鏈還很少的新站。需要注意，這两條路都只是“告诉蜘蛛這里有東西”，並不等于“蜘蛛一定會来抓”。

別把 Sitemap 当成收錄保證

Sitemap 解决的是“蜘蛛知不知道這個 URL”，而不是“蜘蛛會不會抓、會不會收錄”。抓不抓取决于服務器响應、頁面质量、站内结构和整体抓取額度。

一個比較實用的自查顺序是：先確認 Sitemap 文件本身能被正常訪問、格式無誤；再看里面的 URL 是否都能返回 200；接着對比服務器日誌，看這些 URL 有没有被訪問過。如果日誌里几乎看不到 Sitemap 里的地址，那問题多半出在抓取入口或站点整体狀態上，而不是 Sitemap 的寫法。

最後一点：Sitemap 需要跟着内容更新。新頁面加進去、下线頁面移出来，否則時間一長，這份文件就會變成一份過期的地址清單，參考價值越来越低。