站点地图（sitemap）常被当成一种“提交了就等着收录”的工具，实际上它只是把一份 URL 清单交给搜索引擎，等于告诉蜘蛛：这些地址存在，可以来看看。来不来、来几次、看完之后进不进索引，取决于页面本身的状态和站点整体质量。把 sitemap 当成线索而不是承诺，后面的判断会顺很多。
只放“希望被索引”的 URL
判断标准并不复杂：这个地址如果被用户搜到，你愿不愿意它出现在结果里。愿意，再考虑放进去。
- 返回 200 状态码，内容公开可访问，没有登录墙或弹窗遮挡；
- canonical 指向自身，或者它指向的规范版本也在这份清单里；
- 页面有独立价值，不是纯筛选结果、排序参数或追踪链接的变体；
- 移动端与桌面端只保留一套主 URL，另一套用对应关系标注，而不是两套并列提交。
这几类地址放进去只会添乱
清单越长越杂，蜘蛛对其中每个地址的信任度就越低。以下这些属于典型的不该提交项：
- noindex 页面：一边告诉蜘蛛别索引，一边把地址递过去，逻辑上自相矛盾；
- 跳转源地址：301 或 302 的旧 URL 应该提交跳转后的目标，而不是跳转前的入口；
- 已失效页面：404、410 的地址，以及早就下线的活动页、临时专题页；
- 参数变体：带 utm、会话、排序、每页条数参数的 URL，容易被当作重复内容；
- 需要登录的内容：蜘蛛抓到的往往只是登录页或空白页，提交了也没有意义。
一句话原则：sitemap 是候选名单，不是收容所。该放的少而准，比一次写满几万条更有用。
文件本身的结构细节
单个 sitemap 文件建议不超过 5 万条 URL、未压缩体积不超过 50MB，超了就拆成多个，再用 sitemap index 串起来。拆分维度按栏目或内容类型划分，比按时间随机切更利于日后排查，比如某个栏目掉出了索引，你能很快定位到对应的那份清单。
lastmod 要写真实的最后修改时间。如果每次生成都刷新成当前时间，蜘蛛很快会发现这个字段不可信，慢慢就忽略它了。宁可只给确实改动过的页面更新时间，也不要全量刷。
提交之后怎么验证
- 在搜索资源平台的 sitemap 报告里看是否解析成功、读取了多少条；
- 用平台提供的收录查询和索引覆盖报告，对比清单中的 URL 数量与实际被索引的数量，这里看的是趋势，不是单条结果；
- 翻蜘蛛访问日志，把日志里的 URL 与清单做交集，看蜘蛛是否真的按清单在抓；
- 抽查若干地址，手动确认状态码、canonical、robots 元标签是否和预期一致。
几个常见误区
把 sitemap 当收录开关
提交不等于收录。如果页面本身内容单薄、内链稀薄、站点整体可抓取资源有限，清单再完整也不会明显改变结果。它能压缩的是发现成本，压缩不了的是页面质量这道门槛。
只提交首页和栏目页
不少站点只把首页、频道页放进去，深层文章指望蜘蛛自己顺着链接爬。结果是点击深度大的页面长期停留在“已发现未抓取”。把有代表性的内容页也纳入清单，能减少对爬取路径的依赖。
写完从不清理
页面下线、改版、合并之后，旧地址还留在清单里，时间一长就混杂着大量 404 和跳转。定期按状态码筛一遍，比一次性写完放着不管更实用。
总结来说，sitemap 的价值在于降低 URL 发现的成本：它能把地址送到蜘蛛面前，但替页面争取收录这件事，它做不到。让清单保持“少而准”，再配合内链结构、状态码和内容质量一起看，它才算一个稳定的基础工具。