做站点运营的人常被一个问题绕住：站点到底收录了多少？但直接问“收录率是多少”往往得不到有用答案，因为分子和分母都可能算错。把三个数字分别理清——站点总 URL、可索引 URL、已收录 URL——对账才有意义，后面的判断也不会跑偏。
为什么先要把分母分开
如果把所有历史 URL 都塞进分母，收录率看起来永远很低；如果只统计最近一批 sitemap 里的地址，比例又会虚高。分母定义不同，结论完全不同，所以要做的第一件事不是去查收录状态，而是先把口径写下来：统计范围是什么、排除哪些、多久跑一次。
三个数字分别怎么取
站点总 URL：以站内链接图为主
优先从内链结构出发统计：从首页开始，顺着站内链接能到达的 URL 集合。这比只看 sitemap 更接近蜘蛛实际能发现的范围。sitemap 可以作为补充来源，但两份数据要合并去重，否则同一页面会被重复计算。
可索引 URL：总 URL 减去明确排除的部分
这一步的难点不在技术，而在取舍。常见需要排除的包括：
- 被 robots.txt 拦截的目录，比如后台、接口路径
- 带 noindex 的页面，例如搜索结果页、空结果页
- canonical 指向别处的重复页
- 由参数组合生成的排序、筛选变体
- 登录后、购物车、会话相关的动态页面
减完之后剩下的，才是“应该被收录”的量，也就是对账时真正该用的分母。这个数字一旦确定，就不要频繁改口径，否则前后两次统计没有可比性。
已收录 URL：多来源交叉验证
查询语法、索引状态报告、服务器日志里的蜘蛛抓取记录都可以用，但各自的误差也很明显：站点查询覆盖不全，日志只能说明被抓过、不代表进了索引，索引状态报告给出的往往是抽样结果。几个来源取并集，再从中抽一部分页面人工核对，结论会稳得多。要注意日志里的抓取记录和最终索引状态是两件事，别混着算。
对账之后，差异通常落在三档
把三个数字摆在一起，一般会出现三档落差，每一档对应的问题不同：
- 总 URL 明显大于可索引量：说明站内存在大量本就不该被收录的地址，先检查参数、筛选页和内链是否把无关链接铺得到处都是。
- 可索引量大于已收录量：说明有页面提交了却没进索引，优先看内容是否单薄、是否与其它页面高度重复、是否长期没有内链入口。
- 已收录里混着不想收录的页面：多半是屏蔽手段没对上，noindex、robots.txt、canonical 各自的作用范围需要重新确认。
一套可以定期跑的对账流程
- 固定统计周期，比如每月一次，避免用零散数据下结论。
- 导出站内链接图，合并 sitemap，去重得到总 URL 清单。
- 按既定规则剔除明确排除的地址，得到可索引清单。
- 用索引状态报告和站点查询取并集，得到已收录清单。
- 计算两个比例：可索引量 / 总量、已收录量 / 可索引量。
- 从“已可索引但未收录”里抽 20 到 50 条页面，逐条看内容、内链、重复度。
- 把本次结论和新发现的排除项写回规则文件，下次统计沿用。
流程本身不复杂，麻烦的是坚持同一口径。很多人每次都用不同的方法取数，结果就是每个月都在重新解释一遍数字。
别把覆盖率当成 KPI
覆盖率是一个诊断指标，不是目标。把比例做高最省事的办法是拼命扩充分母，或者把大量低价值页面也送进索引，这对搜索表现没有帮助。真正值得盯的是：应该被收录的页面有没有都进来，不该进来的有没有被挡住，以及新页面从被发现到进入索引的节奏是否稳定。
收录对账的价值不在那个百分比，而在于它能告诉你下一件该做的事是什么：是清理参数链接，还是补内容，还是调整屏蔽策略。