如何避免大量重复URL被百度收录

很多同学会有这样的疑惑，索引量工具显示索引量数值很高但流量总也上不去，也没有发现我们站内有低质内容，百度这是要闹哪样？下面我们就分析下如何避免大量URL重复收录：

首先声明，我们只谈论有检索意义的URL，也就是用户会从搜索引擎查找的页面。其他页面按照常用的方法做屏蔽就好了。鉴于很多站长都爱讨论整体的收录量，我必须泼一下冷水，也许你的有效收录是1/10。

URL参数

也叫URL query，是一个最复杂，最容易被忽视，最容易被妥协的问题。他是网站运营中必不可少的元素，如果简单的去除，其他部门就无法工作了。 静态化是的话题，URL参数经常被用于以下几方面：

同一个实体的不同状态展示，比如同一个酒店，在不同时间点会有不同的房间库存：http://www.travel.com/hotel/123/?checkindate=2015-06-09&checkoutdate=2015-06-10

为了统计不同渠道的流量：http://www.a.com/?tracking=website_a

为了统计不同渠道，具体模块的点击量：http://www.a.com/?tracking=website_a&click_spot=zone_abc

调试：http://www.a.com/product/item123/?debug=true

全世界最奇葩的是亚马逊，居然把统计参数放到了路径中http://www.amazon.cn/abc/dp/B005TZHJEQ/ref=lp_2130608051_1_1

出现这种问题的坏处有几点:

1.浪费搜索引擎对你网站的各项配额，从而影响其他正常的页面。

2.丢失很多本应拿到的链接加分，站外渠道的链接往往是最优质的。同一个URL的分值可能分散成几十份。

3.SEO的流量被统计到别的渠道(因为tracking字段写的是别的渠道，而且被收录被点击)

4.往往形成一种局面，产品用一套URL，SEO用另一套URL， 甚至不同渠道用不同的URL，后期开发和维护的成本极高。

为了解决这个问题，首先要弄清URL的定义。以我的理解，每一个URL是一个静态的、独立不重复的、有意义的实体，一般也有检索意义(就是有人会搜)。比如一个人、一辆车、一条道路、一个零件。而不能混入各种"状态"，比如这个人生病的时候，难道就不是他自己了么? 一件商品在促销的状态难道是另一件商品了么?

理论上canonical标签就可以解决这个问题了， 但是从实际测试结果看，百度对这个标签的支持优先级非常低， 几乎可以忽略不计。那么我的解决方案是这样的:

1.建立好网站的思维导图和元信息。 (可参考：SEO健康度 )

2.所有和SEO元信息相关的参数都放到路径中去

3.所有和SEO元信息不相干的参数都放到#后边，因为#后边不影响web服务器返回的内容。简单的说就是用"#"替代"?"。

4.每个页面中都利用js获取#后边的参数对，通过二次请求发回给统计服务器

5.如果#后边的参数影响页面内容，比如酒店的入住日期。那么这部分内容用ajax加载就行，他是不稳定的，不属于页面内容的一部分。(当然还有变通的办法，暂不赘述。)

6.原始的#锚点定义肯定会冲突，定义一个#后边的变量，并用js控制屏幕滚动，来保证原始锚点的作用。

有人可能会想到，根据ua判断，如果是搜索引擎爬虫，就用跳转的方式去掉URL参数。但效率最高的方法必然是从一开始就不展示错误URL。那么前面的例子优化后就变成了:

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

其实很多网站早就使用这种方式了，但是还有很多网站由于开发效率无法及时实现。所以对于一般的小网站，一定要考虑开发成本，不要轻易冒进。只要能避免问题的发生，变通的方法是很多的。

路径中使用非必要元素

很多网站仿照亚马逊的做法，把商品名体现在URL中，然后再通过id来决定页面展示的内容:http://www.amazon.cn/博集典藏馆043?基督山伯爵-亚历山大?仲马/dp/B005TZHJEQ/

这样虽然可以提高一些相关性，但是很危险。在长期甚至短期的时间内，大量商品的名称是非常可能有变化的，那么URL也就跟着变化。成本也是非常高的，因为加大了技术实现难度，不管从站内还是站外，每次增加链接都是一个很麻烦的事情。

在我接手艺龙SEO之前，URL被全部改成了这样，对我早期的工作造成了非常巨大的负担:http://www.a.com/Shangrila_International_Hotel-12345678-hotel/

通过日志分析发现基本所有的百度蜘蛛发起的请求都被301跳转了一次(日志分析方法可参考SEO健康度 )。细致调查后发现，从SEO拼接规则到后台的汉字和翻译数据被一直修改。也就是说，这个URL相关的元素有:

1.中文 (非必要元素)

2.由中文翻译的英文 (非必要元素）

3.id (必要元素)

而当时负责SEO的同事把英文和id拼接在了URL中，那么这样一个URL先后变成过:

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"相关性"比，URL的唯一性和稳定性更重要。所以针对这个问题，URL的最佳策略应该是：http://www.a.com/hotel/12345678/

如果这个id是隶属于一个分类下的，比如城市，那么就可以是：http://www.a.com/hotel/beijing/123/

从技术角度说， id一般是数据库的primary key，可以是数字也可以是字符串，那么这个时候URL是一维的; id也可以是联合的唯一索引，那么URL就是二维的，就像上面的(bejing，123)缺一不可。电商类网站列表页经常用到三维以上。

大小写

如果网站的技术架构用的是开源系统，一般是不会有这个问题的。如果使用了微软的技术架构，这个问题非常常见：

http://www.a.com/newyork/

http://www.a.com/Newyork/

http://www.a.com/NewYork/

我的建议是统一使用小写，大写自动跳转为小写(小心301死循环!)。

目录的规范

很多网站同时存在这样的URL，无形中把收录量扩大了一倍：

http://www.a.com/product/123

http://www.a.com/product/123/

上边第一个路径的意思是在product目录下有一个123文件。第二个路径的意思是在product目录下有一个123目录，这个目录下可能有很多文件，但是他代表众多文件中的index.html或index.php或default.aspx等优先级最高的那个文件。为了避免歧义，我定义文件都是用".html"结尾的。

为了减少重复收录，那么按我的习惯是:

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

总结

1.所有部门统一使用SEO定义的URL，屏蔽非SEO URL的入口。

2.用"#"替代"?"

3.统一使用小写

4.保证目录的规范

5.把不规范的URL跳转到规范的URL