网站SEO检测，怎样判断采集是否遗漏
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /62b2cbb1adc7.html
📄
网站SEO检测，怎样判断采集是否遗漏
判断采集是否遗漏，核心不是看采集总量，而是做一次可复核的对照：用站点自己承认存在的URL集合，去比对采集结果里实际出现的URL集合，再对差集逐条判定是“真遗漏”“不该采”还是“口径不同”。下面用一个明确标为假设的例子说明步骤。
先定义两个集合，再谈遗漏
假设某站点有10个内容页，其中8个已发布、2个是草稿。做网站SEO检测时，先把“应被采集的URL”列成清单：这8个已发布页的规范地址。再把采集结果导出成另一份URL清单。两份清单都只保留去掉参数后的规范形式，然后做差集。
- 出现在应采清单、但不在采集结果里的URL，是遗漏候选。
- 出现在采集结果、但不在应采清单里的URL，是多余或口径问题，不算遗漏。
- 两边都有但内容为空、被跳过的，要单独标记，不能混进遗漏数。
这一步的关键是：应采清单必须来自可核对的来源，例如站点地图、栏目列表页、后台已发布列表，而不是凭印象回忆。多人协作时，把这份清单固定成一份文件并注明生成时间，后续返工才有依据。
逐条判定遗漏候选的三种结果
差集出来以后，不要直接报“遗漏N条”。对每一条候选做一次打开检查，结果通常落在三类里：
- 真遗漏：页面可正常访问、返回成功状态、内容完整，但采集结果里确实没有。这类才计入遗漏。
- 不该采：页面是草稿、登录后可见、已下线或明确设置了不被抓取的标记。这类应从应采清单里移除，而不是补采。
- 口径不同：URL带了跟踪参数、大小写不同、末尾斜杠不同，导致同一页面被算成两条。这类要统一规范化规则后重新比对。
常见错误是跳过第二步，把所有差集都当成遗漏去补，结果把不该采的页面也拉进来，交付时反而说不清范围。另一个常见错误是只比数量不比URL：采集了100条、应采也是100条，看起来没漏，但实际是拿10条多余换了10条遗漏。
用可核查的证据链确认，而不是靠单一指标
站内统计、搜索引擎报告和第三方估算流量的口径不同，不能互相替代。判断遗漏时，优先用能直接对照的证据：
- 站点地图里声明的URL数量，与采集结果里的URL数量做差集。
- 栏目列表页上可见的链接，逐页翻完，与采集结果比对。
- 对可疑URL单独打开，记录状态码和页面标题，作为判定依据。
如果某条URL在站点地图里有、列表页也有，但采集结果里没有，且单独打开返回成功，这就是一条证据链完整的遗漏。反之，只在第三方估算里看到流量、却找不到对应URL的，不能据此判定遗漏。
多人协作时的交付检查项
要减少返工，交付时把下面几项一起给出，接收方才能复核：
- 应采清单的来源和生成时间。
- 采集结果的导出时间与规范化规则。
- 差集清单，以及每条候选的判定结果和依据。
- 真遗漏的数量，与“不该采”“口径不同”的数量分开列。
假设的例子里，10条URL中2条是草稿、1条是参数重复，最终真遗漏可能是1条。把这个拆解写清楚，比只报一个总数更有用，也更容易发现是采集规则问题还是清单本身写错了。
下一步：拿你手上最近一次采集结果，按上面的方式先做出应采清单和差集，再对前10条候选逐条判定，确认判定标准在团队内一致后再全量处理。
