本文目录
很多人把"收录"当成一个开关，实际上它是一条流水线。了解每个环节，才知道该在哪里用力。
环节一：发现 URL
百度发现新页面的途径有四个：站内链接、站点地图、外部链接、以及历史抓取时的顺带发现。其中站内链接最可控。
如果新页面发布后一周仍未被发现，优先检查是否有站内入口。很多站点的问题是新文章只出现在列表第一页，翻页后就没有入口，爬虫自然发现不了。
环节二：抓取内容
发现之后要排队抓取。影响排队的因素包括站点历史抓取频次、服务器响应速度、页面更新频率。新站抓取预算有限，需要靠稳定更新逐步建立信任。
服务器响应超过 3 秒，抓取量会明显下降。这一点在共享主机上尤其常见，建议至少保证 TTFB 在 500ms 以内。
环节三：解析页面
抓取回来要能解析出正文。如果内容依赖 JavaScript 渲染，或者正文被大量隐藏元素包裹，解析效果会打折。建议核心内容直接输出在 HTML 中，JS 只负责交互增强。
另一个常见问题是正文里塞满关键词与无关链接，导致解析出的有效内容很少，这类页面即使被抓取也很难进入索引。
环节四：建立索引
索引阶段会判断页面是否值得保留：内容是否重复、是否有实质信息、站点是否可信。低质页面会进入"抓取但不索引"的状态，在资源平台里表现为索引量与抓取量不匹配。
怎么判断卡在哪一步
- 日志里没有爬虫访问 → 卡在发现或抓取；
- 有抓取但索引不涨 → 卡在解析或索引；
- 索引有但搜索不到 → 已进入索引，问题在相关性或排序。
按这个顺序排查，比盲目"多发文章"有效得多。
收录不等于排名
这是新手最容易混淆的一点。收录只说明页面进了库，排名要看它能匹配什么查询、以及和竞争对手比谁更合适。
所以会出现这种情况：收录了一千个页面，一个词都排不上。原因通常是这些页面没有明确对应的搜索需求——写的是公司新闻、内部活动、产品参数罗列，用户不会这么搜。
反过来，一个站只收录了三十个页面，但每个页面精准对应一个具体问题，排名可能很好。内容页面的价值不在于数量，在于是否回答了某个真实存在的搜索。
百度怎么判断原创
没有公开算法，但从结果能反推几个规律。
时间优先：同一篇内容，先发布的通常被认为是原创。所以转载要注明来源，并且最好在文首加原文链接。
站点权重：同样的内容发在高权重站和新站，前者更容易被认定为原始出处。这解释了为什么很多企业愿意先发行业媒体再发自己站。
信息密度：包含具体数据、时间、地点、人物的内容，更容易被判定为原创。纯观点、纯转述的内容，即使真是自己写的，也可能被判定为低质。
