如何避免大量重復(fù)URL被百度收錄
很多同學(xué)會(huì)有這樣的疑惑，索引量工具顯示索引量數(shù)值很高但流量總也上不去，也沒有發(fā)現(xiàn)我們站內(nèi)有低質(zhì)內(nèi)容，百度這是要鬧哪樣？6月中旬，藝龍SEO負(fù)責(zé)人劉明給我推薦了他寫的文章《如何避免大量URL重復(fù)收錄》，找到了索引量高流量低的一個(gè)原因并給出的解決方案。另外，如果各位同學(xué)還有工作經(jīng)驗(yàn)等內(nèi)容想分享、或者對已有內(nèi)容持相反意見者，歡迎給站長學(xué)堂投稿。
首先聲明，我們只談?wù)撚袡z索意義的URL，也就是用戶會(huì)從搜索引擎查找的頁面。其他頁面按照常用的方法做屏蔽就好了。鑒于很多站長都愛討論整體的收錄量，我必須潑一下冷水，也許你的有效收錄是1/10。
URL參數(shù)
也叫URL query，是一個(gè)最復(fù)雜，最容易被忽視，最容易被妥協(xié)的問題。他是網(wǎng)站運(yùn)營中必不可少的元素，如果簡單的去除，其他部門就無法工作了。 靜態(tài)化是的話題，URL參數(shù)經(jīng)常被用于以下幾方面：
同一個(gè)實(shí)體的不同狀態(tài)展示，比如同一個(gè)酒店，在不同時(shí)間點(diǎn)會(huì)有不同的房間庫存：http://www.travel.com/hotel/123/?checkindate=2015-06-09&checkoutdate=2015-06-10
為了統(tǒng)計(jì)不同渠道的流量：http://www.a.com/?tracking=website_a
為了統(tǒng)計(jì)不同渠道，具體模塊的點(diǎn)擊量：http://www.a.com/?tracking=website_a&click_spot=zone_abc
調(diào)試：http://www.a.com/product/item123/?debug=true
全世界最奇葩的是亞馬遜，居然把統(tǒng)計(jì)參數(shù)放到了路徑中http://www.amazon.cn/abc/dp/B005TZHJEQ/ref=lp_2130608051_1_1
出現(xiàn)這種問題的壞處有幾點(diǎn):
1. 浪費(fèi)搜索引擎對你網(wǎng)站的各項(xiàng)配額，從而影響其他正常的頁面。
2. 丟失很多本應(yīng)拿到的鏈接加分，站外渠道的鏈接往往是最優(yōu)質(zhì)的。同一個(gè)URL的分值可能分散成幾十份。
3. SEO的流量被統(tǒng)計(jì)到別的渠道(因?yàn)閠racking字段寫的是別的渠道，而且被收錄被點(diǎn)擊)
4. 往往形成一種局面，產(chǎn)品用一套URL，SEO用另一套URL， 甚至不同渠道用不同的URL，后期開發(fā)和維護(hù)的成本極高。
為了解決這個(gè)問題，首先要弄清URL的定義。以我的理解，每一個(gè)URL是一個(gè)靜態(tài)的、獨(dú)立不重復(fù)的、有意義的實(shí)體，一般也有檢索意義(就是有人會(huì)搜)。比如一個(gè)人、一輛車、一條道路、一個(gè)零件。而不能混入各種"狀態(tài)"，比如這個(gè)人生病的時(shí)候，難道就不是他自己了么? 一件商品在促銷的狀態(tài)難道是另一件商品了么?
理論上canonical標(biāo)簽就可以解決這個(gè)問題了， 但是從實(shí)際測試結(jié)果看，百度對這個(gè)標(biāo)簽的支持優(yōu)先級(jí)非常低， 幾乎可以忽略不計(jì)。那么我的解決方案是這樣的:
1. 建立好網(wǎng)站的思維導(dǎo)圖和元信息。 (可參考：SEO健康度 )
2. 所有和SEO元信息相關(guān)的參數(shù)都放到路徑中去
3. 所有和SEO元信息不相干的參數(shù)都放到#后邊，因?yàn)?后邊不影響web服務(wù)器返回的內(nèi)容。簡單的說就是用"#"替代"?"。
4. 每個(gè)頁面中都利用js獲取#后邊的參數(shù)對，通過二次請求發(fā)回給統(tǒng)計(jì)服務(wù)器
5. 如果#后邊的參數(shù)影響頁面內(nèi)容，比如酒店的入住日期。那么這部分內(nèi)容用ajax加載就行，他是不穩(wěn)定的，不屬于頁面內(nèi)容的一部分。(當(dāng)然還有變通的辦法，暫不贅述。)
6. 原始的#錨點(diǎn)定義肯定會(huì)沖突，定義一個(gè)#后邊的變量，并用js控制屏幕滾動(dòng)，來保證原始錨點(diǎn)的作用。
有人可能會(huì)想到，根據(jù)ua判斷，如果是搜索引擎爬蟲，就用跳轉(zhuǎn)的方式去掉URL參數(shù)。但效率最高的方法必然是從一開始就不展示錯(cuò)誤URL。那么前面的例子優(yōu)化后就變成了:
http://www.travel.com/hotel/123/#checkindate=2015-06-09&checkoutdate=2015-06-10
http://www.a.com/#tracking=website_a
http://www.a.com/#tracking=website_a&click_spot=zone_abc
http://www.a.com/product/item123/#debug=true
其實(shí)很多網(wǎng)站早就使用這種方式了，但是還有很多網(wǎng)站由于開發(fā)效率無法及時(shí)實(shí)現(xiàn)。所以對于一般的小網(wǎng)站，一定要考慮開發(fā)成本，不要輕易冒進(jìn)。只要能避免問題的發(fā)生，變通的方法是很多的。
路徑中使用非必要元素
很多網(wǎng)站仿照亞馬遜的做法，把商品名體現(xiàn)在URL中，然后再通過id來決定頁面展示的內(nèi)容:http://www.amazon.cn/博集典藏館043?基督山伯爵-亞歷山大?仲馬/dp/B005TZHJEQ/
這樣雖然可以提高一些相關(guān)性，但是很危險(xiǎn)。在長期甚至短期的時(shí)間內(nèi)，大量商品的名稱是非?？赡苡凶兓模敲碪RL也就跟著變化。成本也是非常高的，因?yàn)榧哟罅思夹g(shù)實(shí)現(xiàn)難度，不管從站內(nèi)還是站外，每次增加鏈接都是一個(gè)很麻煩的事情。
在我接手藝龍SEO之前，URL被全部改成了這樣，對我早期的工作造成了非常巨大的負(fù)擔(dān):http://www.a.com/Shangrila_International_Hotel-12345678-hotel/
通過日志分析發(fā)現(xiàn)基本所有的百度蜘蛛發(fā)起的請求都被301跳轉(zhuǎn)了一次(日志分析方法可參考SEO健康度 )。細(xì)致調(diào)查后發(fā)現(xiàn)，從SEO拼接規(guī)則到后臺(tái)的漢字和翻譯數(shù)據(jù)被一直修改。也就是說，這個(gè)URL相關(guān)的元素有:
1. 中文 (非必要元素)
2. 由中文翻譯的英文 (非必要元素）
3. id (必要元素)
而當(dāng)時(shí)負(fù)責(zé)SEO的同事把英文和id拼接在了URL中，那么這樣一個(gè)URL先后變成過:
http://www.a.com/Shangrila_International_Hotel-12345678-hotel/
http://www.a.com/Xianggelila_International_Hotel-12345678-hotel/
http://www.a.com/XiangGeLiLa_International_Hotel-12345678-hotel/
http://www.a.com/Shangrila_guoji_Hotel-12345678-hotel/
跟"相關(guān)性"比，URL的唯一性和穩(wěn)定性更重要。所以針對這個(gè)問題，URL的最佳策略應(yīng)該是：http://www.a.com/hotel/12345678/
如果這個(gè)id是隸屬于一個(gè)分類下的，比如城市，那么就可以是：http://www.a.com/hotel/beijing/123/
從技術(shù)角度說， id一般是數(shù)據(jù)庫的primary key，可以是數(shù)字也可以是字符串，那么這個(gè)時(shí)候URL是一維的; id也可以是聯(lián)合的唯一索引，那么URL就是二維的，就像上面的(bejing，123)缺一不可。電商類網(wǎng)站列表頁經(jīng)常用到三維以上。
大小寫
如果網(wǎng)站的技術(shù)架構(gòu)用的是開源系統(tǒng)，一般是不會(huì)有這個(gè)問題的。如果使用了微軟的技術(shù)架構(gòu)，這個(gè)問題非常常見：
http://www.a.com/newyork/
http://www.a.com/Newyork/
http://www.a.com/NewYork/
我的建議是統(tǒng)一使用小寫，大寫自動(dòng)跳轉(zhuǎn)為小寫(小心301死循環(huán)!)。
目錄的規(guī)范
很多網(wǎng)站同時(shí)存在這樣的URL，無形中把收錄量擴(kuò)大了一倍：
http://www.a.com/product/123
http://www.a.com/product/123/
上邊第一個(gè)路徑的意思是在product目錄下有一個(gè)123文件。第二個(gè)路徑的意思是在product目錄下有一個(gè)123目錄，這個(gè)目錄下可能有很多文件，但是他代表眾多文件中的index.html或index.php或default.aspx等優(yōu)先級(jí)最高的那個(gè)文件。為了避免歧義，我定義文件都是用".html"結(jié)尾的。
為了減少重復(fù)收錄，那么按我的習(xí)慣是:
http://www.a.com/product/123 => http://www.a.com/product/123/
http://www.a.com/product/123 => http://www.a.com/product/123.html
總結(jié)
1. 所有部門統(tǒng)一使用SEO定義的URL，屏蔽非SEO URL的入口。
2. 用"#"替代"?"
3. 統(tǒng)一使用小寫
4. 保證目錄的規(guī)范
5. 把不規(guī)范的URL跳轉(zhuǎn)到規(guī)范的URL
來源：百度搜索資源平臺(tái) 百度搜索學(xué)堂
