一个外贸独立站的 5794 个页面：技术 SEO teardown

这是一份外贸独立站技术 SEO 诊断的脱敏改写版。原始对象是一个公开可访问的 B2B 站点，本文不公开客户身份、不放私有截图，也不声称后续业务结果；只保留可复核的诊断路径、公开页面信号和脱敏指标。

原始问题是：

为什么 Google 里看起来有 5794 个页面？

我的结论是：这个站不是页面太少，而是该收录的没声明清楚，不该收录的在白占额度。sitemap 声明得很克制，只有 254 个 URL；真正的问题在 sitemap 之外，搜索引擎自己发现了大量标签归档、日期归档和历史残留页面。

背景

这类 B2B 外贸独立站通常有三类核心目标：

让采购商快速理解产品、服务能力和公司可信度。
让搜索引擎稳定发现高价值页面，而不是在归档、参数和历史页面里迷路。
保持内容扩展的可控性，避免几年后变成大量低价值 URL 的堆积。

本次诊断是第一轮技术 SEO teardown，重点不是完整代运营，也不是 GSC 深度归因，而是先判断 5794 这个数字背后到底是什么问题。

问题

站点地图只声明了 254 个高价值 URL，但观察到搜索引擎已知页面接近 5794 个，差了约 22 倍。

这个差距不是 sitemap 本身膨胀，而是 sitemap 之外存在大量可索引的低价值自动生成页。它们未必会立刻消耗完抓取预算，但会稀释站点质量信号、分散内链权重，也会让索引卫生显得很差。

换句话说，问题不该问"为什么 sitemap 有这么多页面"，而应该问：

sitemap 外面的 5500 多个 URL 是从哪里来的，哪些应该退出索引？

问对问题，修复方向才会对。

可量化数据

这轮只使用公开页面和脱敏数字，核心指标如下：

sitemap 合计声明：254 个 URL。
搜索引擎已知页面：约 5794 个。
sitemap 与已知页面差距：约 22 倍。
首页 HTML 体积抽样：约 157KB。
分类页 HTML 体积抽样：约 218KB。
日期归档：样本路径返回 200，且未发现 noindex。
标签归档：样本路径返回 200，且未发现 noindex。
作者归档和站内搜索：样本已带 noindex，说明并非所有归档都失控。

这些数字足以判断方向，但还不足以宣称最终效果。真正上线修复后，还需要用 GSC 连续观察 4 到 8 周。

动作

这类诊断不需要一上来就买一堆工具。第一轮可以很朴素：

抓取 robots.txt、sitemap 索引和所有子 sitemap。
逐个统计各 sitemap 声明的 URL 数。
抓首页 HTML，看 title、description、canonical、H1 和模板残留。
探测常见 WordPress 膨胀 URL，比如标签归档、日期归档、作者归档和搜索页。
记录每种 URL 的 HTTP 状态，以及页面是否带 noindex。

这一步解决的是"方向"。精确构成仍然需要 Google Search Console 的"网页"报告，以及一次 Screaming Frog 或同类爬取去核实。

结果 / 输出

本轮输出不是流量增长报告，而是一份可执行的修复优先级：

P0：处理 sitemap 外的索引膨胀。
P0：清理首页残留模板元数据。
P1：修复隐藏且无意义的 H1。
P1：梳理并合并混乱的内容类型。
P2：继续核实历史断层和页面体积问题。

下面按优先级展开。

P0：索引膨胀才是核心问题

证据很直接：

sitemap 合计声明 254 个 URL。
日期归档 /2025/ 返回 200，且可索引。
标签归档 /blog_tag/.../ 返回 200，且可索引。
作者归档 ?author=1 和站内搜索 ?s=... 已经正确 noindex。

更糟糕的是，一部分标签还是类似 blog-tag-1、blog-tag-2 的占位假标签。它们没有真实编辑价值，却在被搜索引擎发现和评估。

很多人会把这类问题简单说成"抓取预算浪费"。对一个中小型 B2B 站来说，抓取预算未必是第一矛盾。更实际的风险是：

几千个薄页面稀释站点整体质量信号。
内链权重流向没有商业价值的归档页。
搜索引擎看到的站点结构变脏，真正重要的产品、服务、案例页反而不突出。

修复建议：

标签归档、日期归档统一改成 noindex, follow。
删除或合并 blog-tag-1/2 这类假标签。
用 GSC 拆分"已编入"、"已抓取未编入"、"重复"、"备用网页"和"已发现未编入"的量级。
清理后重新提交 sitemap，并用 4 到 8 周观察已编入页面和抓取统计变化。

P0：首页残留模板元数据

首页 <head> 里还残留了买来的 HTML 模板信息：一个汽车经销商模板的 title 和 description。

这类问题看起来低级，但很伤专业度。一个海事五金或工业品站点，head 里出现汽车经销商模板文案，会带来三个问题：

标题和描述信号冲突。
暴露站点是从模板硬改来的。
对采购商和搜索引擎都显得不可信。

修复很简单：到主题 header 模板里删掉 demo 元数据，只保留站点真实 title、description、canonical 和 Open Graph 信息。

P1：隐藏且无意义的 H1

首页存在一个隐藏 H1：

<h1 style="display:none;">Home</h1>

H1 是页面主题信号之一。把它写成 Home，再用 display:none 藏起来，等于浪费了首页最重要的标题位置。

更合理的方式是放一个可见、自然、包含核心业务词的 H1。比如：

Marine & Boat Hardware Manufacturer

具体词要根据真实业务、主市场和转化目标决定，不要为了塞关键词写成人看不懂的标题。

P1：内容类型并存导致架构混乱

sitemap 里能看到两套文章类型同时存在：post 数量很大，blog 数量很少，且年份覆盖不连续。

这通常意味着几种可能：

主题或插件迁移后留下了旧内容类型。
编辑团队一段时间用 post，另一段时间用 blog。
某些内容是批量生成或导入的。

这里不能直接下结论说内容低质，但必须抽查。尤其是 2025 到 2026 年集中出现的大量页面，要看它们是否原创、是否有采购价值、是否只是同义词替换的 AI 批量页。

修复方向是先定规范类型，再合并、重定向或 noindex 冗余内容。不要让两套文章系统长期并存。

P2：历史断层和页面体积

这次还看到两个次级问题。

第一是历史内容断层：blog sitemap 覆盖了多个年份，但缺少某一年。需要确认是迁移丢失、确实没发内容，还是 URL 已经 404 且没有做 301。

第二是页面体积偏重：首页 HTML 约 157KB，分类页约 218KB。这个数据本身不能直接等于 Core Web Vitals 问题，但说明模板可能偏重，值得用 PageSpeed Insights 或 CrUX 继续核实。

已经做对的地方

诊断不是只挑错。这个站也有一些值得保留的基础：

首页主 title 和 description 关键词明确，有卖点和行动意图。
canonical 是自指的。
<html lang="en"> 正确。
作者归档和站内搜索已经 noindex。
sitemap 使用索引结构，lastmod 也很新。

所以修复重点不是推倒重来，而是清理索引卫生和模板残留。

可复用方法

这个案例可以抽象成一套通用诊断流程：

先拆分“提交给搜索引擎的 URL”和“搜索引擎自己发现的 URL”。
按页面类型统计，而不是只看总页面数。
把自动归档、搜索页、作者页、参数页和历史残留页先单独拎出来。
用公开抓取结果确定第一轮方向，再用 GSC 验证规模。
每条建议都对应一个上线动作和一个后续观测指标。

如果我接手，前五步

我会按这个顺序做：

拉 GSC 的"网页"报告，把 5794 拆成已编入、已抓取未编入、重复、备用网页、已发现未编入等类别。
标签归档和日期归档批量改 noindex, follow，删除假标签。
清理首页模板残留元数据，修复 H1。
抽查高产年份的内容质量，尤其是产品、服务和文章页的重复度。
重新提交 sitemap，连续 4 到 8 周观察索引量、抓取量和核心关键词页面表现。

技术 SEO teardown 的价值，不是把工具跑出的错误列表贴出来，而是把问题按优先级串成一条能执行的修复路径。这个案例里，最关键的判断就是：5794 不是 sitemap 数字，而是 sitemap 外的索引卫生问题。

背景

问题