URL 里出現中文、空格、加号、&、# 這些字符並不少见，站内搜尋頁、商品篩選頁、带中文标题的文章地址都會遇到。麻烦的地方在于：同一條地址，浏览器、CMS 後台、編輯器、外鏈来源和統計工具可能各自用不同的编碼方式寫出来，服務器如果都返回 200，蜘蛛就會把它們当成若干條不同的 URL 分別抓取和收錄。
同一條地址常见的几種寫法差异
- 中文：顯示成“中文”還是被编碼成 %E4%B8%AD%E6%96%87；同一個字在不同字符集下的百分号串完全不同。
- 空格：寫成 %20 還是 +，两者在查询串里常被当成一個意思，但在路径部分含义不一样。
- 百分号编碼的大小寫：%2f 與 %2F、%3a 與 %3A，多數服務器不区分，少數环境會区分。
- 路径尾部：带不带斜杠、带不带預設文件名，例如 /list 與 /list/、/list/index.html。
- 參數：顺序不同（?a=1&b=2 與 ?b=2&a=1）、空參數保留（?a=&b=2）、各種追踪參數。
- 锚点：# 後面的内容不會發给服務器，但有些轉载或跳轉會把带锚点的整串当成獨立地址。
- 複製粘贴造成的二次编碼，比如中文字符被编成 %25E4... 這種多套一层的形式。
编碼分裂會带来哪些實际問题
抓取被摊薄是最常见的。同一個頁面有好几種寫法，蜘蛛每次抓到的是不同地址，重抓频率被分散，新内容的發現速度也跟着變慢。其次是信号分散：如果每種寫法各自有一套 canonical、内鏈和分享資料，搜尋引擎很难判断哪個才是主副本，收錄數看着在涨，但有效頁面並没有增加。日誌分析同样會被带偏，你以為蜘蛛抓了 100 個頁面，實际可能只有 60 個是真正不同的内容。
先確認有没有真的分裂
- 站内走一遍：從首頁、列表頁、站内搜尋、标簽頁分別点到同一個内容，對比地址栏里的 URL 是否一致。
- 看日誌：把同一资源（比如同一個商品 ID 或文章 ID）對應的請求 URL 归到一起，數一數有几種寫法。
- 看索引：用站点查询或相關工具查看同一内容是否出現了多個地址，结果只当线索，不要当成精确的收錄數量。
- 检查出口：sitemap、canonical、RSS、内鏈、分享按钮里寫的是哪一種寫法，彼此是否统一。
收口的顺序
- 先定一條規范寫法。中文 slug 尽量用拼音或英文短语，减少直接暴露编碼；确實需要保留中文的，就固定使用一種编碼，通常是 UTF-8。
- 在服務器层收口，把其他寫法 301 到規范寫法。這比只寫 canonical 更干脆。對大小寫敏感的服務器要單獨確認，別想当然。
- 内鏈、sitemap、canonical、结构化資料里的地址全部對齐規范寫法，不要留下任何一處老寫法。
- 參數做取舍：篩選、排序、追踪參數尽量不進可收錄的地址；必须保留的，固定參數顺序，避免同一组條件产生多種排列。
- 改完後观察一段時間，看舊寫法的請求是否逐渐减少，索引里的重复地址是否回落。
canonical 是建议，301 是硬跳轉。两者都做會更稳，但不要以為只寫一條 canonical 就算收口完成。
两個容易忽略的细节
一個是外部寫法。別人複製地址时可能带上追踪參數，或者把中文二次编碼，這類寫法你控制不了，但可以确保服務器把它們 301 到規范地址，而不是各自返回 200 的重复内容。另一個是锚点與分頁的誤用：把 #section 当成獨立 URL 提交给搜尋引擎，或者把同一頁面的多個分頁当成獨立内容，都會加重重复。
收口不需要一次做完。先把站点自己能控制的出口统一，再處理外部寫法，最後用日誌驗證。判断标准很简單：同一個内容，不管從哪里点進来，最後落在地址栏里的字符串應该是一样的。