搜狗网站收录：改动前怎样保存原始状态
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /b3792fc7457a.html
📄
搜狗网站收录：改动前怎样保存原始状态
改动网站之前，最稳妥的做法是先把当前线上状态完整留档：抓取一份可访问页面的 HTML 快照，保存 robots.txt、sitemap、关键页面响应头与状态码，并对页面截图或存为 PDF。这样做的目的不是“备份网站”，而是留下一个可对照的基线，便于改动后判断收录变化究竟由哪一步引起。若只改模板或只调 URL，却没有任何改动前记录，后续在搜狗中看到收录波动时，很难区分是改动导致，还是抓取延迟、内容更新或其他因素造成。
假设例子：调整栏目 URL 前先留档
假设一个站点准备把栏目页从 /chanpin/ 改为 /product/，同时保留旧 URL 可访问。改动前应做以下步骤：
- 导出当前 sitemap 中的全部 URL 清单，记录每个 URL 的 HTTP 状态码。
- 对每个栏目页抓取 HTML 源码，保存为文件，文件名与 URL 对应。
- 保存当前 robots.txt 内容，确认没有误屏蔽这些栏目。
- 记录页面标题、H1、正文首段和 canonical 标签的当前值。
- 用截图工具保存页面可见内容，避免只存源码而漏掉渲染差异。
常见错误是只保存数据库或只保存模板文件。数据库能恢复内容，却未必能还原某个时间点的线上 URL 结构和响应头；模板文件能回滚代码，却无法证明改动前搜狗实际抓到的页面是什么样。若改动后再补记录，基线已经失真。
两种保存方案：整站抓取与重点页面留档
整站抓取适合页面数量不多、结构稳定的站点。它用爬虫按站内链接遍历，把每个可访问页面保存为 HTML，并记录状态码。优点是覆盖全，缺点是耗时，且可能抓到大量参数页或重复页，需要事先限定范围。
重点页面留档适合栏目多、页面量大的站点。它只保存首页、栏目页、重要详情页和近期有排名的页面，配合 sitemap 清单核对遗漏。优点是快，缺点是对长尾页面覆盖不足，若改动影响到未留档的页面，就缺少对照依据。
选择依据可以看两点：改动是否涉及全站模板或 URL 规则；站点是否已有稳定的 sitemap 和日志。若两者都是“是”，重点页面留档加 sitemap 清单通常够用；若改动会批量影响 URL，整站抓取更稳妥。
留档时必须检查的项
- HTTP 状态码：200、301、302、404 分别记录，不能只保存页面内容。
- canonical 标签：改动前指向哪个 URL，改动后是否一致。
- robots.txt：是否对搜狗蜘蛛有单独规则，是否屏蔽了待改目录。
- sitemap：当前提交的 URL 与实际可访问 URL 是否一致。
- 页面标题与正文首段：用于改动后判断内容是否被替换或丢失。
需要特别说明：robots.txt 的抓取限制不等于可靠的索引移除。即使改动前用 robots.txt 屏蔽了某目录，搜狗中已收录的页面也不会因此立即消失。站点地图不保证收录，HTTPS 也不保证安全无漏洞或排名提升。留档只能提供对照依据，不能替代收录状态核查。
改动后如何对照判断
改动完成后，用同一份 URL 清单逐项复查：状态码是否仍为 200 或按预期 301；canonical 是否指向新 URL；页面标题和正文是否与留档一致或按计划更新。若发现某页面在搜狗中收录消失，先对照留档确认该页面改动前是否可访问、是否在 sitemap 中、是否被 robots.txt 屏蔽，再判断是改动引入的问题还是抓取延迟。不同搜索引擎支持情况须分别核查，搜狗的结果不能直接套用到其他引擎。
下一步可以建立一份改动记录表，把留档文件、改动日期、改动内容和复查结果放在同一目录下，每次改动前复制一份新基线，避免旧基线被覆盖。
