站点地图（sitemap）的作用很朴素：把站点希望被發現的 URL 整理成一份清單，放在固定位置，让蜘蛛来取。它不承诺收錄，也不代表提交了就會被抓取，但它是少數几個由站点主動發起、成本又很低的沟通渠道。問题在于，很多站点的 sitemap 是建站时自動生成的一版，之後栏目調整了、地址改寫了、内容下线了，文件却一直躺在服務器上没動過。
先確認這份文件有没有真的在被讀
自查的第一步不是改内容，而是確認這條鏈路是通的。如果文件本身打不開，後面做什么都白費。
- 直接用浏览器或命令行請求 sitemap 地址，確認返回 200，而不是 404、403 或者被跳轉到一個 HTML 頁面；
- 確認返回的内容類型是 XML，而不是被服務器当成普通文本或下载文件；
- 在搜尋引擎的站長後台提交一次，观察後續的抓取與索引資料是否有變化；
- 到服務器日誌里搜一下 sitemap 的文件名，看看蜘蛛最近有没有来取，频率如何。
如果日誌里長期没有任何抓取记錄，常见原因是 robots.txt 里没有声明 Sitemap 地址，或者声明了一個已经失效的路径。這一行寫错，後面所有维護都等于零。
提交范围：哪些地址不该寫進去
sitemap 不是「越多越好」的清單。放進去的每一條地址，都相当于在告诉蜘蛛「這個值得花時間看」。以下這些類型通常不值得占位：
- 會批量生成地址的參數頁，比如排序、篩選、會话跟踪參數，一個列表頁可能派生出成百上千條组合；
- 返回 404、410 的失效地址，以及還在做 301、302 跳轉的舊地址，應该提交跳轉後的目标地址；
- 設定了 noindex 的頁面，一邊说不让索引，一邊把地址列進 sitemap，属于自相矛盾的信号；
- 需要登入才能訪問的頁面，蜘蛛取不到内容，只會消耗抓取预算；
- 已经被 canonical 指向別處的重复副本，以及測試域名、分站镜像里的同一篇内容。
把這些地址清出去，sitemap 的總量會明顯下降，剩下的條目反而更容易被抓取到。
lastmod 要真實，其他字段不用纠结
lastmod 是 sitemap 里少數仍被參考的字段，它的價值建立在一個前提上：時間戳反映的是頁面内容的實际改動，而不是文件生成的時間。如果每次程序跑一遍就把所有地址的時間戳刷成当下，這個字段很快就會被忽略。
比較稳妥的做法是让 lastmod 来自内容表的更新時間字段，只有正文确實改動时才更新。至于 changefreq 和 priority，主流搜尋引擎早就明确表示不太參考，不值得為它們反复調參。
分片、數量與多語言處理
- 單個 sitemap 文件通常建议控制在 5 萬條 URL、未压缩 50MB 以内，超出部分用 sitemap 索引文件把多個分片串起来；
- 按内容類型分開更利于排查，文章、商品、视频、图片各自一個文件；
- 多語言站点可以按語言各出一份，並在頁面里用 hreflang 做好對應，不建议把多個域名的地址混進同一個文件；
- 索引文件本身也要能被直接訪問，且不要嵌套過深，保持两三层以内。
一份可以照着走的自查流程
- 拉取 sitemap 中的全部地址，抽样或全量請求，记錄狀態碼分布；
- 筛出 3xx、4xx、5xx 三類地址，分別確認是跳轉未更新、頁面已下线還是服務器異常；
- 抽查頁面的 meta robots 與 canonical，看是否與 sitemap 的意图一致；
- 對比 lastmod 與頁面正文的實际更新時間，確認没有整批刷新的情况；
- 核對分片數量與索引文件，確認没有遗漏或重复收錄；
- 检查 robots.txt 中的 Sitemap 声明，並到搜尋後台確認最新提交時間；
- 把上述检查结果寫進固定的生成流程，让 sitemap 跟着内容系統自動更新，而不是靠人工定期重做。
把 sitemap 当成一份需要跟着站点一起演進的清單，而不是一次生成就永久生效的静態文件。它不需要频繁改動，但需要有人定期看一眼。
最後提醒一点：清理 sitemap 之後，索引量和抓取量未必立刻有變化，它解决的是信号一致性的問题——让蜘蛛把有限的抓取額度用在你真正想让人看到的内容上。這件事没有捷径，但检查一遍的成本，通常比事後排查收錄異常要低得多。