不少人把 sitemap 当成收錄開關：文件生成好、提交到搜尋平台，接下来就等着頁面進索引。實际跑一段時間會發現，提交量和收錄量對不上，有时差得還很遠。問题通常不在文件本身，而在于對 sitemap 的定位理解偏了。
sitemap 解决的是“被發現”，不是“被收錄”
搜尋蜘蛛發現新 URL 主要有几條路径：站内連結、外部連結、sitemap，以及歷史抓取记錄。sitemap 在其中的作用是补充性的——它帮蜘蛛知道“這個站還有這些地址”，但知道之後要不要抓、抓完要不要编入索引，是另外两個獨立环节。
- 被 sitemap 列出：URL 進入待抓取队列
- 被抓取：拿到 HTTP 狀態和 HTML 内容
- 被索引：内容质量、重复程度、站点整体情况综合判断
這三步任何一步卡住，最终结果都是“提交了却搜不到”。所以看到 sitemap 里的 URL 没有收錄，先別急着改文件，應该回到索引狀態报告里看它停在哪一档。
哪些 URL 不该放進 sitemap
sitemap 是一份“希望被收錄”的清單，往里塞不该收錄的地址，只會稀释它的信号價值，也會白白消耗蜘蛛的抓取額度。
- 被 noindex 的頁面：一邊告诉蜘蛛別索引，一邊又列進 sitemap，属于自相矛盾。
- 重定向 URL：301、302 的舊地址應该寫成跳轉之後的目标地址。
- 返回 404 或 410 的地址：已经下架的頁面尽快從文件里移除。
- 大量參數组合頁：篩選、排序、會话參數生成的近乎無限的 URL，應收敛而不是提交。
- 非規范版本：如果 A 頁的 canonical 指向 B，那么 sitemap 里應该出現的是 B。
判断标准很简單：這個 URL 你是否真的希望它單獨出現在搜尋结果里？答案是否定，就別放進去。
lastmod 別乱寫
lastmod 是 sitemap 里少數會被參考的字段之一，前提是它准确。如果每次生成文件都把全部 URL 的時間刷成当天，時間一長這個字段就失去參考意义，蜘蛛也會逐渐忽略它。只在頁面内容确實發生實质變化时，更新對應條目的時間，才更有價值。
規模大时先拆分再提交
單個 sitemap 文件有數量和体积上限，通常不超過 5 萬條 URL、未压缩不超過 50MB。超過就拆成多個子文件，再用 sitemap 索引文件统一指向。拆分时按栏目或内容類型划分，比按生成時間随机切分更好排查問题，也方便後續單獨观察某一類的收錄情况。
提交之後的自查動作
- 從 sitemap 里抽样一批 URL，比如每個栏目抽二十條，把這批地址固定下来。
- 隔一段時間复查這批 URL 的抓取狀態和索引狀態，记錄變化。
- 對比没有放進 sitemap、但有正常内鏈入口的頁面，看两者的收錄节奏差多少。
- 如果差距很小，說明 sitemap 的邊际作用有限，重点该轉向内鏈结构和内容质量。
内鏈才是主通道
對多數中小站点来说，蜘蛛進入站内最稳定的路径，是從首頁和栏目頁一路跟下来的連結。sitemap 更适合處理那些連結入口較弱的頁面：刚發布還没被内鏈带到的内容、深层归档頁、變動频繁的頁面。如果站点本身的連結结构就很浅，頁面都能在两三次点击内到達，sitemap 更多是兜底，而不是主力。
把 sitemap 当成一份需要持續维護的清單，而不是一次性提交的動作。定期清理失效地址、补上新頁面、保持字段准确，再配合内鏈和内容质量一起看，收錄狀態才會慢慢稳下来。