同一篇文章，A 站先发，B 站拿到授权转载，C 站用采集工具抓走。三份内容几乎一字不差，搜索引擎在建索引时通常只会挑一份作为主要版本，其余的要么被折叠，要么长期留在索引之外。跨站重复内容带来的麻烦，基本都出在这里。
搜索引擎怎么挑“正主”
判断哪一份是原始版本，搜索引擎没有公开的公式，但从实际表现看，几个信号经常起作用：
- 首次出现的时间：通常是最早被发现的版本占优，但前提是它先被抓到。内容发出去很久才被蜘蛛发现，这个优势会被抵掉。
- 链接与引用：外部链接、社交分享、其他站点的引用，都会指向某一版，指向集中的那一版更容易被当作主版本。
- 站点整体的可信度：长期更新、有明确编辑信息和作者署名的站点，比一个纯采集站更容易被认作来源。
- 页面本身的完整度：正文是否完整，有没有作者、发布时间、站内相关链接，这些都会影响判断。
- 显式声明：canonical 标签、来源标注、原文链接，都能把选择往你想要的方向推一把，但只是“推一把”。
授权转载怎么做才不吃亏
对方拿到授权再发，这种情况不必太紧张，但几个动作值得做：
- 在正文顶部或底部明确写出原文标题和链接，别塞在角落用灰色小字。
- 保留原文的发布时间，注明“首发于某年某月某日”，不要改成自己站点的发布时间。
- 如果双方沟通顺畅，转载方可以用 canonical 指向原文；若不方便，至少不要反过来声明自己是原版。
- 不要为了“去重”大段改写、换词、调换段落顺序。这种文章读起来别扭，也改变不了内容的判断结果。
纯采集的内容为什么留不住索引
采集站常见的情况是：页面被发现了，也抓取到了，但很快从索引里消失，或者一直停在“已抓取，尚未编入索引”。原因通常不是某一条规则专门针对它，而是几个劣势叠加——内容没有任何增量，站内没有形成主题集群，外部没有链接，页面还会因为模板、广告和推荐位显得很薄。只靠堆量，很难改变这个局面。
还有一种情况更隐蔽：采集时顺手把原文里的图片、内链也一起抓了过来，结果页面上大量链接指向别的域名，自己反而成了一个中转站，这对判断来源没有任何帮助。
重复内容本身不带来惩罚，它带来的问题是“选谁”。如果你不是被选中的那一方，页面在搜索结果里就约等于不存在。
一份简单的自查清单
- 这篇内容是不是我站首发？发布时间是否真实可查？
- 同一站点内部有没有多个 URL 指向近似内容？先把站内的问题理干净，再谈跨站。
- 正文是否完整，还是被截断成“阅读全文请前往……”？
- 有没有至少一处外部链接指向这个页面？
- 如果确认自己是转载方，是否清楚它大概率不会进索引？如果本来就只是给站内已有读者看，这个结果也可以接受。
把这些事理清楚，比反复提交 URL、一遍遍刷新索引状态要有用得多。