虎扑 SEO 实测：6.44 亿个帖子 ID，站内地图只写 238 个地址

虎扑的问题不在内容量。按站内自增的帖子 ID 算，这个社区的帖子编号已经走到 6.44 亿；按 sitemap 算，站方主动交给搜索引擎的地址只有 238 条，其中帖子 1 条。

两个数字之间不是「收录慢」，而是结构上就走不到。版块首屏 49 到 70 条之后，服务端没有输出任何一条可跟随的分页链接；换参数翻页，返回的仍是第 1 页，两个响应的帖子集合完全重合。

这篇用六类模板的原始 HTML、四种 UA 的对照请求和 sitemap 逐条解析，把「入口在哪一层断掉」拆开来看，并给出按优先级排序的修改清单。

一、先看分母：帖子 ID 已经走到 6.44 亿

两条版块的最新帖指向同一个自增区间

我取了两个入口：「步行街主干道」（bbs.hupu.com/1）与「步行街」（bbs.hupu.com/all-gambia）。

前者首屏 49 条帖子链接，ID 从 641,967,310 到 643,901,886；后者 70 条，最大 ID 同一量级。

两个不同版块的最新帖落在同一个编号区间，说明 ID 是全局自增的。因此 643,901,886 可以当作「历史上创建过的帖子数量级」的上界，它包含已删除、已私密、已合并的条目，不等于可索引帖数。

但它足以定位问题：一个存量以亿计的 UGC 站点，搜索引擎能顺着链接走到的帖子，是每版块首屏的那几十条。

入口侧的地图只有 238 条地址

bbs.hupu.com 的 robots 里声明的 sitemap 是 pc-sitemap.xml，22,840 字节，238 条 <loc>，去重后仍是 238 条。

归属	条数	说明
bbs.hupu.com 数字版块	213	形如 /1、/74、/294 的版块首页
nba / cba / soccer 频道	17	赛事频道首页与数据页
my.hupu.com	3	个人中心入口
www.hupu.com	2	站点首页等
帖子详情页	1	/54779217.html
被 robots 禁止的 /search	1	见下一节

238 条里帖子只有 1 条，占比 0.42%。同时 238 条全部带 changefreq=always，0 条带 lastmod，0 条带 priority——「永远在变」这个信号对每个地址都成立，等于没有信号。

而 www.hupu.com/sitemap.xml 本身是 302 跳回首页：一个按惯例请求 sitemap 的引擎，拿到的是一份 HTML。

sitemap 里还躺着一个被 robots 拒绝的地址

bbs.hupu.com/robots.txt 里写着 Disallow: /search。

而同一份 robots 声明的 pc-sitemap.xml 里，第 20 条 <loc> 就是 https://bbs.hupu.com/search——紧挨着它上一条，恰好是整份地图里唯一的那条帖子。

这不是致命错误，但它说明 sitemap 是手工或半自动拼出来的，没有和抓取规则做交叉校验。引擎抓这个地址会吃一个「已禁止」，长期会降低 sitemap 的可信度。

同一份 robots 还有两处值得记下：19 组 UA 逐个写 Allow: /，最后用一个通配组（User-agent: ＊）关门；以及 Disallow: /＊_＊.html$，它拦的是文件名带下划线的地址。

图 1：条形按同一线性比例绘制，能看到「存量」与「入口」不在一个数量级上。

二、页面结构：六类模板的五项基础项

分页控件有 UI，没有 href

「步行街主干道」的版块页，服务端渲染出的分页控件是这样的：

把这三行的标签摊开看：

• 第 2 页：li.pagination-item-2 > a，锚点文本为 2
• 省略位：li.pagination-item-8 > a，锚点文本为 ...
• 第 20 页：li.pagination-item-20 > a，锚点文本为 20

三个 <a> 全部没有 href。控件上写着 20 页，服务端一条链接都没给，翻页完全依赖 React 绑定的事件。抓取端拿到的 HTML 里，第 2 页起的 19 页等于不存在。

「步行街」（/all-gambia）更彻底：连分页控件都没有，首屏 70 条之后没有任何入口。

这条问题的量级可以直接算：213 个数字版块 × 49 到 70 条 ≈ 1.05 万到 1.49 万条帖子，是站内直线可达的上限；而帖子 ID 已经走到 6.44 亿。

参数分页与四种写法：全是 200，全无 canonical

我试了四条路径：/1、/1?page=2、/1-2、/1/。四条全部返回 200。

其中 /1?page=2 与 /1 的帖子集合完全相同：各 49 条，交集 49 条，Jaccard 系数 1.000，两个响应的字节数同为 304,121 B。也就是说，参数分页没有生效，只是把第 1 页又发了一遍。

更麻烦的是这三种变体都没有 canonical 指回主地址，也没有 rel=prev/next。

大小写变体 /All-Gambia 返回 200（293,460 B，等于社区首页），带斜杠的 /all-gambia/ 返回 200（284,454 B，另一个版本）。

一条版块地址能派生出四种 200 响应、四个不同字节数、零条 canonical。这类重复不会直接掉排名，但会持续消耗抓取预算——分配逻辑可参考这份 17 分钟抓 1.7 万页的实测。

图 2：左边是服务端真实输出的分页 HTML，右边是两个地址的帖子集合重合度。

软 404：随机串回到社区首页

请求 bbs.hupu.com/zzz-not-exist-98765，返回的是 200，292,943 字节。

把它和社区首页（293,460 字节）的脚本、时间戳去掉后做标准化比对，两份 DOM 完全相等——包括 67 条帖子链接。这不是「404 页面」，而是「把首页当 404 发出去」。

帖子地址去掉后缀也一样：/643897939（无 .html）返回 200 与 293,902 字节，落回社区首页。

一个亿级 URL 的站点允许任意字符串返回 200，等价于对引擎说「我这里没有不存在的页面」。任何一次外链写错、任何一次拼接错误，都会变成一条可被抓取的重复首页。

标题、描述、H1 的模板化

六类模板的原始 HTML 统计如下，图片 alt 的数据放在第三节单列（2026-11-13 抓取）：

模板	载荷（KB / 汉字 / B·字）	H1	canonical	JSON-LD	viewport
www 首页	427.4 / 10,079 / 43.4	0	无	0	无
社区首页	286.6 / 3,443 / 85.2	0	无	0	无
版块页	272.8 / 3,383 / 82.6	0	无	0	无
帖子详情	223.0 / 9,111 / 25.1	1	无	0	有
回帖第 2 页	15.9 / — / —	0	无	0	无
nba 频道	158.8 / 3,360 / 48.4	0	有（自指）	0	有

三件事在这一张表里同时成立：

其一，结构化数据全站为零。一个讨论型社区最该用的 DiscussionForumPosting，六类模板一条都没有；帖子页有 9,111 个汉字、42 张图、1 个 H1，却没有任何机器可读的实体声明。

其二，canonical 只在 nba 频道出现，且是自指；首页、社区首页、版块页、帖子页、回帖第 2 页五个模板全部缺失。

这与晋江文学城那次的结论是同一类问题：不是不知道 canonical，而是只在某一个子系统里做了。

其三，视图声明分裂。首页、社区首页、版块页都没有 viewport，帖子页和 nba 频道有——同一站点的移动体验取决于用户落在哪个模板上。

描述字段的复用更直接：首页、社区首页、版块页、软 404 页共用同一句 92 字描述，只有帖子页与频道页是专属文案。

而帖子页的描述是从正文硬截断的 65 字，断在半句——这次抓到的样本停在「你手里多了一份加热好」。

图 3：五项基础项里，只有结构化数据一列是六行全空。

三、关键词布局与外链：title 装得下什么词

三种分隔符并存的 title

抽六个页面的 title 摆在一起：

页面	title	字数
www 首页	虎扑体育-虎扑网	8
社区首页	虎扑社区-虎扑网	8
版块页	虎扑步行街-虎扑社区	10
另一版块	步行街主干道 - 虎扑社区	12
nba 频道	篮球｜虎扑篮球-虎扑网	11
帖子页	水池干了, 不是小鱼的错-历史区-虎扑社区	21

分隔符出现了三种写法：连字符、连字符加空格、竖线（上表里显示为全角｜）。这属于模板层不统一，本身不影响排名，但会让标题在搜索结果里显得零散。

真正的问题是信息密度。版块页 title 只有「版块名 + 社区名」10 个字，没有地域、没有品类、没有赛季，等于放弃了「版块名 + 长尾词」这一层关键词。

帖子页的 title 把「标题 - 版块 - 社区」拼在一起，21 个字里有效信息 9 个字，剩下全是后缀。

meta keywords 还在：首页是「虎扑,NBA,足球,英超,LPL」，版块页是「虎扑,生活,情感,社会,热点」。这个字段对主流引擎已无作用，但说明旧的填写习惯还在，且没有迁移到 description 与结构化数据上。

图片 alt：378 张全空，等于放弃图片搜索

首页 378 个 <img>，378 个没有 alt 属性；帖子页 42 张全部没有；版块页 5 张全部没有；nba 频道 87 张里 86 张没有。

虎扑的流量结构里图片占比不低——比赛图、球员图、赛后数据图。全部无 alt，等于把这部分入口完整让给了别人。这不是「SEO 玄学」，是几十万张图的可访问名称字段空着。

外链：3 到 8 条，且没有 nofollow

四个模板的出站链接数分别是 8、3、3、3，几乎全部是招聘页（app.mokahr.com、lagou.com）与备案链接（beian.miit.gov.cn）。

没有一条带 nofollow。招聘站与备案站都是可信来源，风险不大，但这反映的是同一个问题：外链在模板里是硬编码的装饰件，没有经过 rel 治理，也没有随内容变化。

内部链接集中在头部：首页 269 个 <a>、74 条指向帖子；社区首页 481 个、67 条；版块页 486 个、70 条。帖子页 138 个，其中 54 条指向用户主页，只有 19 条指向其它帖子。

用户主页占掉帖子页三分之一的链接配额，是「社区感」的代价，也是抓取预算的分流。这一点与游民星空那次的发现同源：不是没有内链，而是内链全部堆在首屏和导航上。

另外两条与抓取直接相关的观察：

• 空 UA 与 python-urllib/3.11 请求版块页，返回 405（4,681 字节的错误页）；curl、GPTBot、ClaudeBot、PerplexityBot、Baiduspider 全部 200。
• 移动端不统一：bbs 的桌面地址对 iPhone UA 返回 302 到 m.hupu.com/gambia，www 首页不跳；m 站的 canonical 自指 m.hupu.com，不与桌面版建立对应关系，而 m 站首页只有 43 个 <a>、0 条帖子链接。

四、优化建议：按投入产出排优先级

下面的清单按「改一处、影响多大」排序，每条都标了优先级与改动位置。P0 是本迭代该做的，P1 排到下个迭代，P2 是结构性改造。

P0：把第 2 页还给抓取端

① 给分页锚点补真实 href（P0，改动量：1 个组件）。目标形态 href="/1?page=2"。注意必须同时让服务端真的按参数取第 2 页数据——目前参数无效，只补 href 等于把第 1 页再发一遍。

② 给版块页加顺序化路径（P0，路由层）。/1/page/2 这类可静态化的路径比参数更稳，也便于在 sitemap 里按页扩展。

③ 软 404 改回真 404（P0，网关或 SSR 层）。命中条件三条：帖子 ID 不存在、版块别名不存在、任意未匹配路径。当前随机串返回 200 且 DOM 等于首页，是最容易被批量利用的一类缺陷。

④ 把 /search 从 sitemap 里删掉（P0，配置层）。它被 robots 明文禁止，留着只会降低整份 sitemap 的可信度。

P1：把重复收敛掉，把实体声明出来

⑤ 五个模板补 canonical（P1，模板层）。首页、社区首页、版块页、帖子页、回帖分页页各一条自指 canonical；回帖第 2 页应指向帖子第 1 页，或声明为分页序列的一员。

⑥ URL 变体统一 301（P1，路由层）。/All-Gambia、/all-gambia/、/643897939 三种写法都应 301 到规范地址，而不是各自返回 200。

⑦ 帖子页加 DiscussionForumPosting（P1，模板层）。至少含 headline、datePublished、author、interactionStatistic、isPartOf。这是最该有、也最容易拿富结果的一块。

⑧ sitemap 换成帖子级（P1，数据链路）。按更新时间切片，先提交近 30 天有新回复的帖子，每条带 lastmod，去掉 changefreq=always。238 条里 1 条帖子的地图没有意义。

P2：把模板里的浪费补回来

⑨ 描述与标题分模板生成（P2，模板层）。首页、社区首页、版块页各写各的 60 到 120 字；版块页 title 补品类与赛季词；三种分隔符统一成一种。

⑩ 图片 alt 按内容生成（P2，上传链路）。比赛图用「球队 + 球员 + 场景」，数据图用「指标 + 时间范围」。首页 378 张全空，这是最大的一块未使用资产。

⑪ 移动端与桌面端建立对应关系（P2，模板层 + 跳转）。m 站 canonical 指回桌面版，桌面模板补 viewport，跳转策略统一。两套 canonical 各自自指，等于让两个版本竞争同一批查询。

⑫ 用户主页链接收敛（P2，模板层）。帖子页 54 条用户链接占掉三分之一配额，可考虑折叠或加 nofollow，把预算留给帖子之间的互链。

做完 ① 到 ④，最直接的变化不是排名，而是「第 2 页之后的帖子第一次存在」。做完 ⑦ 和 ⑧，才谈得上让引擎理解「这是一个有多少回复、什么时候发的讨论」。虎扑的存量足够大，缺的是让存量可见的那几行 HTML。