a5seo诊断 - 怎样判断采集是否遗漏
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /c8cbddec431f.html
📄
a5seo诊断 - 怎样判断采集是否遗漏
判断采集是否遗漏，核心不是看总量，而是把“应有内容”与“实际采到内容”做集合比对。你需要先确定一份可核对的基准清单，再用同一口径逐项对照，缺失的条目就是遗漏。对a5seo诊断这类分析工作来说，起点是拿到基准、采集结果和字段映射三份资料，终点是给出缺失清单和复核结论。
先确定比对基准从哪里来
没有基准就无法判断遗漏。基准可以来自站点自身的列表页、分类页、站点地图，或后台导出的内容清单。判断标准是：这份清单必须覆盖你关心的全部对象，且每一条都有稳定唯一的标识，例如URL、内容ID或标题加发布时间的组合。
如果基准本身不完整，后面的比对只会得出“看起来没漏”的假象。第一次接触时，先问自己：我要检查的是整站，还是某个栏目、某段时间的内容？范围定得越清楚，遗漏判断越可靠。
把采集结果整理成可对照的表
采集结果通常包含多条记录。你需要把它整理成与基准相同的字段结构，至少保留唯一标识、标题、发布时间、来源地址。整理时注意两点：
- 同一内容出现多次时先去重，否则会掩盖真实缺失；
- 标识字段的格式要统一，比如URL是否带参数、是否带结尾斜杠，必须两边一致。
这一步的产物是一张对照表，而不是一堆原始文件。只有字段对齐，后面的差集才有意义。
用差集定位遗漏，而不是只看数量
把基准清单减去采集结果，得到的差集就是候选遗漏项。操作上可以这样执行：
- 在基准表中标记每一条的唯一标识；
- 在采集结果表中用同一标识做匹配；
- 匹配不上的基准条目单独列出，形成缺失清单；
- 对缺失清单逐条复查，排除标识格式不一致造成的假缺失。
这里的关键判断是：数量接近不代表没有遗漏，数量差异大也不一定全是遗漏。只有逐条匹配，才能区分“真的没采到”和“采到了但标识对不上”。
区分可能原因与已定位原因
发现缺失后，不要立刻下结论。同一现象可能有多种解释：
- 分页未翻完，导致后续页面内容缺失；
- 列表页只加载部分内容，其余靠交互触发；
- 部分内容被规则过滤，未进入结果；
- 标识字段在采集时被改写，造成匹配失败。
要区分“可能原因”和“已经定位的原因”，方法是对缺失项做抽样复现：手动打开对应来源，确认该内容是否存在、是否在预期位置、采集时是否触发了相同条件。只有复现成功，才能把原因从“可能”升级为“已定位”。
验收时看什么
一份可交付的遗漏判断结论，至少包含：基准范围说明、采集结果口径、缺失条目清单、每条缺失的复核状态，以及仍无法确认的存疑项。验收标准是：任意一条缺失项都能追溯到具体来源和具体匹配过程。
如果缺失项无法复现，就保留为存疑，不要强行归因。下一步是选取缺失清单中占比最高的一类，回到采集规则或来源页面，验证该类别是否被系统性跳过，再决定是调整采集范围还是补充规则。
