先把“发布成功”和“可以被发现”分开
文章在后台点击发布，只代表数据库里有了一条内容记录。对搜索引擎来说，还需要继续确认几个独立信号：页面能否稳定返回、抓取规则是否允许访问、规范 URL 是否明确、站点地图是否能发现页面，以及站内链接是否把页面接入内容结构。
这几个信号可以在发布前用一个小型检查器完成。它适合放在本地开发机、部署脚本或 CI 中运行，先给出一份可读报告，再决定是否进入百度主动推送和 IndexNow 队列。本文的检查器只验证页面信号，不承诺收录、展现或排名；收录仍要结合搜索平台状态和服务器日志观察。已有的网站页面不被收录排查清单适合处理异常页面，SEO 进阶测量与验证则适合持续记录检查结果。
预检应该检查哪些内容
可以把发布前检查分为五组：
- 可访问性：文章 URL 返回成功状态，最终地址没有跳到错误页面，响应类型是 HTML。
- 抓取入口：
robots.txt能打开，且没有用全局Disallow: /阻断站点；sitemap.xml能打开，并包含文章的规范 URL。 - 页面规范：
title、description、H1 和 canonical 存在，canonical 指向当前页面的 HTTPS 地址，没有把权重指向旧 URL。 - 机器可读性：页面包含 JSON-LD 或其他结构化数据，图片有替代文本，页面不是意外的
noindex。 - 内容关系：页面至少有若干条指向站内页面的链接，且链接使用稳定的 canonical 路径，而不是带跟踪参数的临时地址。
这些规则不是搜索引擎的全部质量标准。它们的价值在于把明显的发布错误提前暴露出来，避免刚发布就出现 404、重复 canonical、孤立页面或图片无 alt 等问题。
一个可运行的 Python 检查器
下面的脚本依赖 requests，只对你明确传入的站点执行 GET 请求。它适合在发布者自己的机器上运行，不要把它直接做成任何人都能调用的公共 HTTP 接口，以免被利用去请求内网地址。
from __future__ import annotations
import argparse
import json
import re
import sys
import xml.etree.ElementTree as ET
from html.parser import HTMLParser
from urllib.parse import urldefrag, urljoin, urlparse, urlunparse
import requests
class PageParser(HTMLParser):
def __init__(self):
super().__init__(convert_charrefs=True)
self.title = ""
self.description = ""
self.canonical_links = []
self.robots = ""
self.h1_count = 0
self.internal_links = []
self.missing_alt = 0
self._in_title = False
def handle_starttag(self, tag, attrs):
attrs = dict(attrs)
tag = tag.lower()
if tag == "title":
self._in_title = True
elif tag == "h1":
self.h1_count += 1
elif tag == "link" and "canonical" in {
item.strip().lower() for item in attrs.get("rel", "").split()
}:
self.canonical_links.append(attrs.get("href", ""))
elif tag == "meta":
name = attrs.get("name", "").lower()
if name == "description":
self.description = attrs.get("content", "")
elif name == "robots":
self.robots = attrs.get("content", "")
elif tag == "img" and not attrs.get("alt", "").strip():
self.missing_alt += 1
elif tag == "a" and attrs.get("href"):
self.internal_links.append(attrs["href"])
def handle_endtag(self, tag):
if tag.lower() == "title":
self._in_title = False
def handle_data(self, data):
if self._in_title:
self.title += data.strip()
def normalize(url):
url, _ = urldefrag(url)
parsed = urlparse(url)
path = parsed.path or "/"
return urlunparse((parsed.scheme.lower(), parsed.netloc.lower(), path,
"", parsed.query, ""))
def result(name, ok, detail, level="error"):
return {"name": name, "ok": ok, "detail": detail, "level": level}
def fetch(session, url):
response = session.get(url, timeout=(3.05, 10), allow_redirects=True)
response.raise_for_status()
return response
def check_jsonld(html):
blocks = re.findall(
r"<script[^>]+type=[\"']application/ld\+json[\"'][^>]*>(.*?)</script>",
html,
flags=re.I | re.S,
)
types = []
for block in blocks:
try:
value = json.loads(block.strip())
except json.JSONDecodeError:
continue
values = value if isinstance(value, list) else [value]
expanded = []
for item in values:
if isinstance(item, dict) and isinstance(item.get("@graph"), list):
expanded.extend(item["@graph"])
else:
expanded.append(item)
for item in expanded:
if isinstance(item, dict):
item_type = item.get("@type")
if isinstance(item_type, list):
types.extend(str(x) for x in item_type)
elif item_type:
types.append(str(item_type))
return types
def audit(base_url, article_url):
base_url = normalize(base_url).rstrip("/")
article_url = normalize(article_url)
base_host = urlparse(base_url).netloc
session = requests.Session()
session.headers["User-Agent"] = "BlogSeoPreflight/1.0 (+manual-audit)"
checks = []
try:
response = fetch(session, article_url)
except requests.RequestException as exc:
return {"url": article_url, "ok": False,
"checks": [result("文章响应", False, str(exc))]}
content_type = response.headers.get("content-type", "").lower()
checks.append(result("文章响应", response.status_code == 200,
f"HTTP {response.status_code}，最终地址 {response.url}"))
checks.append(result("HTML 类型", "text/html" in content_type,
content_type or "缺少 Content-Type"))
parser = PageParser()
parser.feed(response.text)
canonical_links = [item for item in parser.canonical_links if item.strip()]
canonical = normalize(urljoin(response.url, canonical_links[0])) if len(canonical_links) == 1 else ""
canonical_ok = len(canonical_links) == 1 and canonical == normalize(article_url)
canonical_detail = canonical or (
f"发现 {len(canonical_links)} 个 canonical，应该恰好有 1 个"
)
checks.append(result("canonical", canonical_ok, canonical_detail))
checks.append(result("title", bool(parser.title.strip()),
parser.title.strip() or "缺少 title"))
description_ok = 50 <= len(parser.description.strip()) <= 170
checks.append(result("description", description_ok,
f"{len(parser.description.strip())} 个字符",
level="warning" if parser.description else "error"))
checks.append(result("H1", parser.h1_count == 1,
f"发现 {parser.h1_count} 个 H1",
level="warning" if parser.h1_count != 1 else "error"))
checks.append(result("robots meta", "noindex" not in parser.robots.lower(),
parser.robots or "未设置 robots meta"))
types = check_jsonld(response.text)
checks.append(result("JSON-LD", bool(types),
", ".join(types) if types else "没有可解析的 JSON-LD"))
checks.append(result("图片 alt", parser.missing_alt == 0,
f"{parser.missing_alt} 张图片缺少 alt"))
internal = []
for href in parser.internal_links:
target = urlparse(urljoin(response.url, href))
if target.netloc == base_host and target.scheme in {"http", "https"}:
internal.append(normalize(urljoin(response.url, href)))
checks.append(result("站内链接", len(set(internal)) >= 2,
f"发现 {len(set(internal))} 条站内链接"))
robots_ok = False
sitemap_url = urljoin(base_url + "/", "robots.txt")
try:
robots = fetch(session, sitemap_url).text
directives = [
line.split("#", 1)[0].strip().lower()
for line in robots.splitlines()
if line.split("#", 1)[0].strip()
]
robots_ok = "disallow: /" not in directives
checks.append(result("robots.txt", robots_ok,
"可访问且没有全局禁止抓取" if robots_ok else "疑似全局禁止抓取"))
sitemap_match = re.search(r"(?im)^\s*sitemap:\s*(\S+)", robots)
if sitemap_match:
sitemap_url = sitemap_match.group(1)
except requests.RequestException as exc:
checks.append(result("robots.txt", False, str(exc)))
in_sitemap = False
try:
sitemap = fetch(session, sitemap_url)
root = ET.fromstring(sitemap.content)
locs = {
normalize(loc.text.strip())
for loc in root.iter()
if loc.tag.rsplit("}", 1)[-1] == "loc" and loc.text
}
in_sitemap = normalize(article_url) in locs
checks.append(result("sitemap", in_sitemap,
f"找到 {len(locs)} 个 URL，文章{'在' if in_sitemap else '不在'}其中"))
except (requests.RequestException, ET.ParseError) as exc:
checks.append(result("sitemap", False, str(exc)))
return {
"url": article_url,
"ok": all(item["ok"] for item in checks),
"checks": checks,
}
def main():
parser = argparse.ArgumentParser(description="检查一篇文章的发布前 SEO 信号")
parser.add_argument("base_url", help="站点根地址，例如 https://blog.zenleak.cn")
parser.add_argument("article_url", help="待检查的文章完整 URL")
args = parser.parse_args()
report = audit(args.base_url, args.article_url)
print(json.dumps(report, ensure_ascii=False, indent=2))
return 0 if report["ok"] else 1
if __name__ == "__main__":
sys.exit(main())
运行方式如下：
python seo_preflight.py \
https://blog.zenleak.cn \
https://blog.zenleak.cn/post/298/
输出中的 ok 只表示脚本列出的规则全部通过。检查器不会模拟搜索引擎，也不会把一个带有 200 状态码的页面误认为已经被收录。
canonical 要和真实访问地址一致
canonical 的作用是告诉搜索引擎一组近似页面中哪一个是首选地址。发布前至少要检查三点：
- 使用 HTTPS，并且域名与站点实际域名一致；
- 对当前文章使用自指 canonical，而不是复制另一篇文章的地址；
- 去掉追踪参数、片段标识和临时预览路径。
如果文章可以通过多个旧 URL 访问，应在应用层设置永久重定向，并让 canonical、站内链接和 sitemap 统一指向最终地址。关于重复 URL 的处理原则，可以参考 Google 的 canonical 文档。
robots 和 sitemap 是两个不同检查
robots.txt 只表达抓取建议，不能替代登录权限，也不能保证页面不出现在搜索结果里。脚本可以先做最基本的检查：文件能打开、没有全局禁止抓取，并且存在可访问的 sitemap 地址。
站点地图解决的是发现入口。它应该包含文章的 canonical URL，不应把草稿、登录页、重复参数页和已经重定向的旧地址混进去。文章发布后先检查 sitemap，再检查站内专题页和相关文章模块是否能点击到它。这样搜索引擎既有 XML 入口，也有正常的 HTML 链接入口。
本站的 百度主动推送与 IndexNow 规划已经把两种提交机制区分开：提交只是发现提示，不代表抓取和收录。把预检放在提交之前，可以少提交明显错误的 URL。
结构化数据和页面内容要相互对应
JSON-LD 只能描述页面上真实存在的信息，不能为了获得富结果而填写不存在的作者、评分、图片或日期。文章页通常可以使用 Article，站点或面包屑可以使用相应类型，但字段值必须和可见内容一致。GEO 内容组织方法也强调了来源、作者和实体关系的可核验性。
预检脚本适合发现“没有 JSON-LD”或“JSON-LD 不是合法 JSON”这类工程问题；它无法判断一段描述是否真实，也不能替代搜索平台的结构化数据测试工具。结构化数据的定位可参考 Google 结构化数据介绍。
站内链接要形成可走通的路径
新文章发布后，至少应该从一个稳定的专题页、分类页或相关文章模块到达它。文章正文还可以链接到解释前置概念的旧文，形成“基础概念 → 实操检查 → 发布后验证”的阅读路径。
本文建议建立以下关系：
- 网站页面不被收录排查清单：处理抓取、索引和质量判断的分层排查；
- SEO 进阶测量与验证：记录抓取、索引、展现和点击等不同信号；
- 百度主动推送与 IndexNow：预检通过后的 URL 提交；
- GEO 内容组织方法：补充作者、来源和实体信息；
- SEO 访问日志分析：发布后观察用户、搜索爬虫和自动化客户端的访问；
- SEO 数据监控实战：建立长期的页面监控表。
不要为了增加链接数量而堆砌链接。链接文字应该说明目标页面解决什么问题，并且放在读者确实需要下一步信息的位置。
预检通过后的发布流程
可以把一次发布拆成下面的顺序：
- 在草稿环境生成标题、摘要、canonical、文章正文和图片 alt；
- 用脚本检查 HTTP、HTML 元信息、robots、sitemap、JSON-LD 和站内链接；
- 修复阻断项，再人工抽查移动端布局、代码块和外部引用；
- 发布后重新访问文章、sitemap 和专题页，确认缓存没有返回旧内容；
- 把 canonical URL 放入百度主动推送和 IndexNow 队列；
- 用访问日志和搜索平台数据观察是否被发现、抓取和索引。
如果检查结果失败，不要把失败 URL 反复提交给搜索引擎。先修复页面，再提交一次新的 canonical URL。对已经发布过的文章，更新内容后还应记录更新时间和变更原因，方便后续判断抓取与展现变化。
结语：自动化负责发现错误，人工负责判断价值
SEO 发布前检查最适合处理确定性问题：状态码错误、canonical 缺失、sitemap 漏 URL、H1 数量异常、图片没有 alt，以及站内链接断开。它不能代替事实核验、原创性判断、用户体验测试，也不能承诺任何搜索引擎一定收录。
把检查结果保存成 JSON 后，可以在每次发布时比较差异；再结合 Django 部署后的日志排查和 Django API 性能优化，就能把“发布一篇文章”变成一条可复核的工程流程。
评论 (0)
暂无评论，快来抢沙发吧！