怎么避免网站大量重复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?如果各位同学还有工作经验等内容想分享、或者对已有内容持相反意见者，欢迎给站长学院投稿。

　　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。

　　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