很多站点的 sitemap 是从后台一键生成的，生成逻辑往往是「所有发布状态的内容都放进去」。时间一长，这份清单里就会混进重定向地址、已经下线的页面、被 noindex 标记的页面，甚至一堆带参数的筛选页。它本身不会直接让收录变差，但会让核对工作变难：拿一份不干净的地图去找路，很容易被带偏。
先明确 sitemap 的角色
sitemap 的作用是告诉搜索引擎「这些地址存在，可以来看看」，它是一个发现入口，不是收录开关，也不是质量背书。放进去不等于会被抓取，被抓取也不等于会被索引。所以清单的第一原则是：只放你希望被人直接打开、并且内容独立完整的页面地址。
逐类清掉不该出现的地址
会跳转的地址
如果某个地址 301 到另一个地址，sitemap 里应该写最终落地的那一个。留着跳转地址会多消耗一次抓取，也容易让索引里出现两条指向同一内容的记录。
返回 404 或 410 的地址
内容下架、商品删除之后，地址往往还留在清单里。用抓取工具批量跑一遍状态码，把非 200 的挑出来。注意区分 404 和 5xx：5xx 可能是服务器临时问题，不要急着删，先复查一次。
带 noindex 的页面
这类页面最容易被忽略：地址能打开、返回 200，但页面头部明确写了不索引。既然不希望它进索引，就没有必要继续在 sitemap 里提交，两边信号相互矛盾，核对时也容易算错分母。
筛选、排序、分页参数产生的地址
参数组合可以生成远超实际内容量的地址。先给参数分个类：影响内容的参数（如分类、页码）可以保留一部分；纯粹用于排序、追踪、会话的参数，通常不需要进 sitemap。
需要登录、地区限制或本身就是接口的地址
抓取端拿不到内容，提交上去只会浪费额度，也容易在日志里制造无意义的错误记录，干扰后续排查。
地址写法要和站内实际链接一致
- 大小写：站内链接用小写，sitemap 里就不要写成大写。
- 协议与域名：统一成一种写法，不要 http 与 https、带 www 与不带 www 混着写。
- 结尾斜杠：目录形式和文件形式的写法分开，别让同一个页面两种形态都出现。
这些看起来是小事，但核对时同一个页面出现两条记录，统计数字就对不上，判断也会跟着错。
按类型拆分成多份，方便定位问题
把 sitemap 拆成内容页、分类页、专题页等几份，每份控制在合理数量。好处是出问题时能快速缩小范围——是某一份整体表现差，还是零散几个地址的问题。再保留一份索引文件把这些子文件串起来即可。
核对后的处理方式
- 把清单导出成表格，加上状态码、是否可索引、最后修改时间几列。
- 重定向地址替换成最终地址，其余非 200 的地址直接移除。
- noindex 页面移除，并确认指向这批页面的站内链接入口是否也要调整。
- 重新提交后，隔一段时间看抓取日志里这些地址的出现频率，确认旧地址没有继续被大量请求。
清理 sitemap 不会立刻带来收录变化，它的价值在于让判断有据可依：清单干净了，收录数字的波动才更容易归因到内容或结构上，而不是被一堆无效地址干扰。
一个容易被忽略的循环
如果站内链接还在指向那些已经重定向或下线的地址，sitemap 清理完了，抓取端依然能从页面里爬到它们。所以清单核对最好和站内链接检查一起做，两边保持一致，才算真正收口。