网站被百度收录：日志中应该核对哪些字段
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /e314bc02e008.html
📄
网站被百度收录：日志中应该核对哪些字段
要判断“网站被百度收录”这件事在日志里走到哪一步，核心是核对百度蜘蛛的请求记录：先看访问时间、来源IP、User-Agent、请求URL、HTTP状态码、响应大小、Referer这几个字段。它们能区分蜘蛛是否来过、抓的是不是目标页面、服务器是否正常返回。注意：日志只能证明“抓取行为”，不能直接证明“已收录”，收录结果仍需结合百度搜索资源平台的数据核对。
先确认哪些日志行属于百度蜘蛛
多人协作时，第一步不是看状态码，而是先筛出百度蜘蛛的记录，否则后面的统计会混入普通用户和其他爬虫。
- User-Agent：应包含百度蜘蛛的标识，如
Baiduspider。把它作为筛选条件，而不是只看IP。 - 来源IP：记录蜘蛛来源地址，用于后续反向解析核对。IP会变化，不能凭单个IP断定身份。
- 访问时间：确认抓取发生在哪个时间段，便于和服务器改动、发布记录对齐。
判断方法：用 grep "Baiduspider" access.log 先导出蜘蛛记录。如果User-Agent可以伪造，可对来源IP做反向DNS解析，看是否归属百度官方域名段。适用条件是你能拿到完整原始日志；如果日志被CDN或WAF截断，字段可能缺失，需要回到上游取日志。
逐条核对请求URL与状态码
筛出蜘蛛后，重点看它到底请求了哪些地址、服务器怎么回应。
- 请求URL：确认蜘蛛抓的是目标页面，而不是robots.txt、旧链接或参数页。若大量抓到无关URL，说明内链或站点地图指向有问题。
- HTTP状态码：
200表示正常返回；301/302是跳转；404是页面不存在；403是拒绝访问；5xx是服务器错误。状态码直接决定这次抓取是否有效。 - 响应大小：
200但响应体极小，可能是空页面或被拦截后的提示页，需结合页面内容核对。
验收信号：目标URL出现200，且响应大小与正常页面接近，说明这次抓取拿到了真实内容。若长期只有404或5xx，先修服务器和链接，再谈收录。robots.txt的抓取限制不等于可靠的索引移除，状态码正常也不代表一定被收录。
用Referer和抓取频次判断入口
这一步回答“蜘蛛是从哪里发现页面的”，对排查新页面不被抓很有用。
- Referer：显示蜘蛛从哪个页面跳转过来。为空可能是直接提交或从外部入口进入；有值可追溯内链来源。
- 抓取频次：统计同一URL在时间窗内的请求次数。频次突然下降或归零，可能对应服务器异常或抓取预算变化。
适用条件：Referer字段在部分日志中可能被省略，不能作为唯一依据。判断结果时，把Referer与内链结构、站点地图提交记录放在一起看，才能确认入口是否有效。站点地图不保证收录，它只是发现渠道之一。
交付给协作方的核对清单
多人协作要减少返工，建议固定一份可复用的核对表，每次交付附上原始筛选命令和结论。
- 导出指定时间段的百度蜘蛛日志行。
- 按请求URL分组，列出每个目标页的状态码与响应大小。
- 标出异常项：
4xx、5xx、响应体过小、长期无抓取。 - 记录核对结论：是“已抓取且返回正常”，还是“未抓取”“抓取异常”。
- 附上原始日志片段和筛选命令，便于他人复核。
验收信号：协作方拿到清单后，能直接判断每个URL当前处于哪一步，不需要重新翻日志。若日志显示抓取正常但页面仍未出现在百度搜索结果中，下一步应到百度搜索资源平台核对抓取诊断与索引状态，而不是继续在日志里找原因。
