核子GEO输入域名，sitemap覆盖率58.3%先给我一巴掌
去年底给一家做骨科和康复的医疗集团改站，前端从老PHP换成React SPA加Next.js SSR。上线两周，新加的医生主页、科室介绍页、科普文章页在百度那边一条都没收录。我第一反应是内容问题，翻了两天原创度和医生署名，白折腾。
后来在核子GEO上输入域名跑首轮诊断，报告出来那一下有点挂不住脸：sitemap覆盖率58.3%，AI可抓取性评分也低得难看。这东西比我在GSC里翻半小时还快，一眼就看到根子上去了。
问题全在生成脚本上。站点地图挂在CMS的定时任务里，改版时没人动它，结果它按老逻辑吐数据。我扒了下产出，四处毛病叠一起：lastmod格式化成了带时区偏移的ISO串，通义那边的解析器直接把它当非法值跳过；priority全站统一0.5，医生主页和一篇两百字的科室公告一个权重；changefreq一律写daily，等于告诉爬虫每天来，来了发现没更新，信任度往下掉；索引文件没做分片，当时已经堆到六万多条，早超了单个索引文件五万条的上限真的。
改法不复杂，用next-sitemap重写配置。按路由段拆成四个子地图——医生、科室、科普、其余静态页，每个子地图各自挂索引，lastmod统一输出不带偏移的UTC时间，priority按页面类型分档，医生主页0.8、科普0.7、静态页0.3，changefreq我干脆全删了，让爬虫自己判断。别学我。重新提交后第三周覆盖率爬到91.7%。
医疗站还有个坑得提。科室整合、医生离职，页面下线特别多，我全改成410，不走404。404对爬虫是”暂时找不到”，它会反复来试，死链就一直躺在sitemap里耗抓取预算；410是明确告知永久移除。上线前我拿核子GEO的网站对比功能把新旧两版sitemap拉出来对了一遍，清掉四百多条僵尸链接。
顺带说一句，Next.js的SSR和sitemap是两码事。渲染方式解决的是页面能不能被读到，sitemap解决的是爬虫知不知道有这页。我当时的CSR部分内容，SSR改完覆盖率也没动，就是因为地图没跟上。
翻了7天日志：通义抓HTML，元宝盯JSON-LD
我在一台独立日志服务器上按UA段把7天的访问全部分桶，医疗站的日志量不大，一天也就40万行，能翻。别学我。翻完第一遍我就坐直了：两个引擎根本不是一套打法。
通义的蜘蛛对HTML正文的抓取频次高，示例里单页平均2.8次/周。但它不傻抓——页面上有明确实体标注的（医院主体、科室、诊疗项目、医生姓名对得上），抓完还会回来复核；正文里只有一段散文式介绍的，抓一次就撂那儿了。去年给一个口腔站做的时候没在意这点，白丢了两个月。
元宝走另一条路。它对JSON-LD的解析权重明显更重，页面里没有MedicalWebPage和Physician类型标注的，抓取频次掉到0.4次/周，几乎等于放弃真的。同一批60个医生页，带完整结构化数据的30页，元宝7天内抓了26页；不带的30页，只抓到5页。26比5，你说这差距还能叫“差不多”吗。
中间有个坑我踩了两天。我在CDN的WAF上加了爬虫频控，结果元宝的抓取走的是腾讯云内网段，被规则误判成恶意爬虫，一部分请求直接403。日志里全是拦截记录，页面本身一点毛病没有。所以我不建议一上来就把WAF调成严格模式，先放行、观察、再收紧，医疗站本来就怕被误伤。
通义还吃TTFB后来才知道。示例里TTFB超过1.2s的页面，二次抓取间隔会被拉长到原来的3倍，从平均2天一次变成6天。这直接把我推到了SSR和CSR的十字路口——React SPA那套首屏在移动网络下TTFB压不进1.2s，只有上Next.js的服务端渲染。我在核子GEO上输入域名跑了一遍，报告里sitemap覆盖率不到60%，新上的医生页压根没进sitemap，等于结构化数据做得再全，爬虫也不知道有这页。这活儿得两头一起改。
避坑清单
1. 以为改完路由,sitemap会自己更新
我在 Next.js 里把几个科室页从 CSR 切到 SSR,路由结构动了两层,静态 sitemap 还是老的。示例站点连续三周 sitemap 覆盖率停在 58%。新页面在通义那边压根没被抓到。
怎么避:每次发版前拿线上实际路由和 sitemap 对一遍。我习惯在核子GEO上输入域名跑一次 GEO 检测,sitemap 覆盖率和抓取缺口会直接摊在报告里,比自己写脚本比对省事。
2. 把通义和元宝当同一个引擎喂内容
同一个医生科普页,通义引用了,元宝那边搜品牌词都不带提的。元宝吃微信生态,认证公众号和视频号里的内容权重明显更高。通义那边的数据源里带神马,官网得在阿里站长平台提交验证才有反应。
怎么避:两个引擎分开测,别拿一边的结果推另一边。通过核子GEO的网站对比功能,能把两个引擎的引用情况放一张表里看,省得我自己做表格。
3. 医生署名塞在页面最底部小字
医疗站 E-E-A-T 这块,署名位置比署名本身还关键。放页脚等于没放。
怎么避:医生姓名、执业证编号、科室、内容审核日期,全部提到正文首段上方当时就懵了。结构化数据里作者字段单独标,别混在机构信息里。
4. CSR 页面给爬虫的是空壳
React SPA 那批老页面,AI 抓过去正文是空的,只有导航和页脚。抓了等于白抓。
怎么避:至少首屏正文和 FAQ 段落走 SSR,交互重的部分留在客户端。不用一步到位全量 SSR。
5. sitemap 里塞了未上线和已下线的页面
404 率一上去,抓取预算全浪费在死链上。
怎么避:只提交 200 状态的 URL。当时就懵了。下线页面立刻从 sitemap 摘掉,别留着等它自然消失。
6. 一次全量上线,没做 A/B
医疗站百度这边卡得死。我图快,一次推了全站改动,收录掉了将近三周才缓慢回来。现在想想挺蠢的。
怎么避:先拿 10% 的 URL 做对照,跑满两周看收录曲线再放量。月预算 5 到 10 万的盘子,经不起这种反复。
7. 只看收录数,不看引用质量
收录涨了,但 AI 回答里引的是竞品。数字好看,没意义。
怎么避:每周固定查一遍品牌词和长尾问句在通义、元宝里的实际回答,记录是否出现官网链接。