做收录检查时，最常见的困惑是：站点一共几万条 URL，索引里只有几千条，是不是被降权了？大多数情况下，这个差距来自口径不同——你统计的是 URL 总量，而搜索引擎面对的是“可索引基数”。两个数字没对齐，后面的判断都会偏。
先把三个数字分开
想让结论站得住，至少要区分下面三个数字：
- URL 总量：爬虫能抓到的地址总数，包含参数、筛选、分页、重复页。
- 可索引基数：这些地址里，你真正希望被收录、并且允许被收录的那部分。
- 已收录数：索引报告或 site 查询给出的结果，本身带估算成分。
真正该关心的是“已收录数 ÷ 可索引基数”，而不是“已收录数 ÷ URL 总量”。分母算错，覆盖率永远难看。
可索引基数怎么算
从 URL 总量里减掉下面几类，剩下的才接近可索引基数：
- 明确设置了 noindex 的页面，比如站内搜索结果页、登录页、部分功能页。
- robots.txt 里屏蔽抓取的目录。注意屏蔽抓取不等于禁止索引，被外链指向时仍可能出现在索引里。
- canonical 统一指向其他地址的重复版本。
- 排序、追踪、筛选类参数地址，除非它本身就是独立内容页。
- 只承担翻页功能、没有独立价值的中间分页。
- 返回 404 或 410 的死链，以及已经下线的旧地址。
建议按目录和模板各统计一次。很多站点全站覆盖率看着还行，拆开看却是几个模板在拖后腿。
覆盖率偏低时的排查顺序
- 先确认页面是否真的允许索引：meta noindex、X-Robots-Tag、robots 屏蔽、canonical 是否自指正确。
- 再看可抓取性：是否内链可达、是否被 JS 渲染阻隔、服务器对爬虫是否返回异常状态。
- 然后看内容同一性：同一模板批量生成的近似页面，容易被判定为价值不足而合并或排除。
- 最后看抓取节奏：新目录、新模板的抓取本来就滞后，用周为单位观察比按天看更靠谱。
两个容易踩的误区
- 把不可索引页面当成“不收录问题”。筛选页被 noindex 是设计结果，不是缺陷。
- 把 site 查询当准数。它是估算值，在大站上波动明显，只适合看趋势，不适合看绝对值。
判断收录健康度，先统一口径：分子是有效收录，分母是可索引基数，再看分组表现。
一份可落地的清单
- 导出全站 URL 清单，按目录、模板、参数类型打标。
- 给每个分组标注预期状态：应收录、应排除、观察中。
- 只对“应收录”的组计算覆盖率，其余组检查规则是否按预期生效。
- 对覆盖率明显偏低的组，先抽样看页面本身，再决定改内容、补内链还是收敛 URL。
把口径统一之后，你会发现相当一部分“收录异常”其实是统计方式造成的错觉；剩下的问题再去处理质量与抓取，方向也清楚得多。