抓取日志里有记录、页面返回 200、site 查询也能查到，但表现一直很弱——这类页面在收录核对里经常出现。很多时候问题不在于“有没有被抓到”，而在于这个地址里真正属于它自己的内容有多少。
抓取、索引、展示是三件事
核对之前先把三层分开，能省掉不少无效动作。
- 抓取层：蜘蛛来过、读过 HTML，日志里有响应码和字节数。这只说明地址可达。
- 索引层：页面被纳入候选库，可以被检索到。同一主题的多个地址在这里可能被聚到一起，只留一个代表。
- 展示层：在什么查询、什么位置出现，由相关性、内容质量、用户信号共同决定，不是收录核对能直接控制的。
正文占比主要影响后两层：内容太薄的页面即使进了索引，也容易被同类地址盖过去。
正文占比怎么量
- 取一份原始 HTML（不是渲染后的 DOM），复制成纯文本。
- 把导航、页脚、面包屑、推荐列表、评论、版权声明逐块标出来。
- 用主内容字数除以全文总字数，得到一个粗略比例。
- 同一模板抽 5 到 10 个页面重复，看这个比例是稳定还是忽高忽低。
如果一批页面的正文占比长期低于两成，就值得回头看看：是模板把主体挤得太靠后，还是页面本身只是聚合了一堆摘要。
模板重复带来的连带问题
同一套模板下，若每页正文只有两三段，其余全是相同的导航与推荐，搜索引擎看到的差异度就很低。常见后果有三个：
- 多条地址被判为高度相似，只保留一条作为代表，其余进入“已排除”。
- 代表页来回轮换，今天留下 A，明天可能变成 B，收录状态看上去在横跳。
- 抓取配额被大量低差异页面消耗，真正需要更新的地址反而排队靠后。
这三个现象根子上是一件事：页面之间缺少足够的区分信息。
动手改的顺序
- 先动模板。把主内容放到更靠前的位置，压缩首屏之外的重复块。
- 再补内容。摘要式页面扩写成完整正文，或者明确标为聚合入口并指定 canonical。
- 然后做归一化。大小写、结尾斜杠、参数、http 与 https 统一到一个地址，减少同页多址。
- 最后才是观察。改完给抓取和重新评估留一个周期，不用当天就下判断。
收录核对能影响的是发现、抓取和归并这几个环节；能不能进索引、以什么形式出现，最终还是由搜索引擎判断，没有“改完一定收录”这回事。
把问题从“有没有被抓”升级成“这个页面对搜索来说值不值得留”，核对才会从数数字变成能落到具体改动上的工作。