静态站的入口、索引、度量：一次体检清单

站里内容涨到 158 个页面（含五个同域子站）之后，我做了一次体检。结论有点刺：内容没问题，问题全在“内容之外”的三层。

这篇把体检的清单和答案记下来——任何静态站都能照着跑一遍，不需要特殊工具，只用 curl 和一台能访问自己站点的终端。

一、入口：搜索引擎能不能进来

两个必查项，都在一分钟内能验完。

1. `robots.txt` 真的存在吗

curl -s -o /dev/null -w "%{http_code} %{content_type}\n" https://你的站/robots.txt

期望 200 text/plain。如果返回 200 text/html，就是中招了：很多托管平台（Cloudflare Pages、Netlify 的某些配置）在没有 robots.txt 时会把未命中请求回落到首页，于是搜索引擎拿到一份“HTML 写成的 robots”。

我不想手写这个文件，因为域名会变。做法是让构建生成它（Astro 里就是一个 src/pages/robots.txt.ts 端点），域名只保留在 astro.config 一处，换域名时不会漏改第二个地方。

2. 不存在的地址返回什么

curl -s -o /dev/null -w "%{http_code}\n" https://你的站/这个路径肯定不存在/

期望 404。如果返回 200，那是“软 404”，比 404 更糟——等于对搜索引擎声明“我有无数个内容完全相同的页面”（见文末坑一）。

二、索引：内容能不能被找到

3. sitemap 覆盖了全部页面吗

数一下 sitemap 的 <loc> 条数，和站上真实页面数对比：

curl -s https://你的站/sitemap-0.xml | grep -o "<loc>" | wc -l

这里最容易漏的是同域挂载的子应用：它们通常不走主站的构建管线（我们的是预构建产物直接放进 publish/assets/），于是主站 sitemap 完全看不见它们的内页。我这次体检时，sitemap 里 99 条、真实 158 页，缺的 57 条全是子站——刚上架的 45 篇知识库对内页对搜索引擎是隐形的。

修法是让构建期扫一遍产物目录，把找到的 HTML 补进 sitemap（Astro 用 sitemap({ customPages })）。

4. 每页有 canonical / 分享卡 / 结构化数据吗

curl -s https://你的站/任意一页/ | grep -o 'rel="canonical"\|og:image\|application/ld+json' | sort | uniq -c

三样都要有：

canonical：只取路径、丢掉查询参数（站内搜索这类 ?q= 状态参数最容易造成重复页面）。
og:image：没有卡片图时，转发出去的链接是一块空白。全站一张默认图（1200×630）就够，不必逐页生成。
JSON-LD：全站一条 WebSite，文章页加 Article、作品页加 CreativeWork。

5. 站内搜得到吗（用户视角）

这一项最容易被“我有个搜索框”骗过去——要分清搜的是全网还是站内。我的首页一直有一个搜索框，但它调的是联网搜索 API。内容过百页之后，站内检索是刚需。

三、度量：你有没有尺子

“提高曝光率”这句话，在没有访问数据和收录数据之前是不可验收的。我把它收窄成三条可查信号：被搜到（进收录）、被用上（RSS 订阅或子站回访）、被引用（外部链接）。

访问统计用 Cloudflare Web Analytics：Pages 项目里一键开启，beacon 由边缘注入（不在构建产物里，所以本地预览永远看不到它——别为此排查）。

站况本身不需要外部服务，构建期就能算：页面构成、每个模块的条数与最后改动、元数据完整度、站内互链、孤儿页面。这些数字做成一个页面（我们的 /console/），比任何“感觉最近没怎么写”都可靠。

四、四个真实踩过的坑

坑一：没有 `404.html` 的平台会全局回落

Cloudflare Pages 在缺少 404.html 时，把未命中的路径回落到根 index.html 并返回 200。它同时会盖住 _redirects 里的 200 rewrite 规则（301 不受影响）。加一张真的 404 页即终结，且不会影响同域子应用的真实静态文件（静态资源优先级最高）。

坑二：标签大小写不一致，两个平台裂出不同数量的页面

Godot 和 godot 是两个不同标签 → 两张标签页。Windows 文件系统不区分大小写，两个目录被合并成一份；Linux（CI 上）实打实生成两个。于是同一个仓库在本地和线上页面数差 1。这种差异只有把页面数写进仪表盘才看得见。

坑三：分析脚本在没有数据源时会“安静地写 0”

把本地会话分析脚本挂进 build 看起来一劳永逸，但它在找不到 ~/.codex/sessions 时不报错，而是用 0 覆盖已有的统计文件——CI 上没有那个目录，挂上去就把线上看板的数字清零了。自动化脚本必须先有“无数据源则早退、不落地”的守卫，才配进构建链。

坑四：用文件 mtime 当“最后改动时间”会在云端撒谎

CI 刚 checkout，所有文件的 mtime 都是“今天”，新鲜度灯会全绿。跨机器稳定的口径是文件自带的日期字段，其次才是该路径的 git 提交日期。

五、可复用清单

入口

robots.txt 返回 text/plain 且声明 sitemap
不存在的路径返回 404（不是 200）

索引

sitemap 条数 ≈ 真实页面数（含同域子应用）
每页有 canonical（不含查询参数）
每页有 og:image 与 twitter 卡
全站有 WebSite JSON-LD，文章页有 Article
站内有自己的全文检索（和“全网搜索”区分开）

度量

访问统计已开启，且能在页面源码里搜到 beacon
有一张构建期算出来的站况快照（规模 / 新鲜度 / 完整度 / 互链）
三条外部信号有地方人肉记录：被搜到、被用上、被引用