网站词数分析：被删除页面的数据应怎样保留在历史对比中
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /75ddb4a25bd9.html
📄
网站词数分析：被删除页面的数据应怎样保留在历史对比中
结论先行：被删除页面的数据不应继续混在“当前站点总量”里，而应迁入一个带删除标记的历史层。具体选择取决于你能否拿到删除前的原始抓取记录：能拿到就保留逐页明细并冻结快照；拿不到就只保留汇总口径，并明确标注该时段不可再细分。
两种合理做法的分界条件
第一种做法是把删除页面从主数据表中移除，只留下一条“已删除”状态记录。它适合页面数量少、删除原因单一、且你不需要再做逐页对比的场景。代价是：一旦后续想追问“这批页面当初贡献了多少词数”，就只能依赖外部备份。
第二种做法是保留完整明细，另加删除日期、删除原因和替代页面三个字段。它适合批量下架、栏目改版或内容合并的场景，因为你需要回答的是“删除前后词数结构发生了什么变化”，而不只是“现在还剩多少”。代价是主表会持续膨胀，任何按页面汇总的口径都必须显式过滤掉已删除行，否则当前词数会被高估。
判断依据可以归结为一条：历史对比是否需要按页面下钻。需要下钻，选第二种；只需要一个总量走势，选第一种即可。
实施动作与它如何影响下一步
假设某站把 40 个旧产品页合并进 8 个新页。删除当天，先做一次全量快照，记录每个被删页面的词数、内链数和最后抓取时间，写入 deleted_at 与 merged_into 两列。这个动作的直接结果是：此后任何“词数下降”的疑问，都能定位到是删除造成，还是新增内容不足造成。
下一步的影响是连锁的。如果快照缺失，你只能比较删除前后的站点总量，看到的是净变化，无法区分“删了 40 页”和“新增内容变少”这两个原因。反之，有了逐页记录，你可以先算被删页面的词数合计，再从总量差值中扣除，剩下的才是真实的内容增减。
- 删除前：导出包含 URL、词数、栏目、抓取时间的明细表。
- 删除时：在同一行写入删除日期、原因、替代 URL，不覆盖原字段。
- 删除后：所有当前口径的报表加一层过滤，排除已删除行。
口径差异会制造假信号
站内统计、搜索引擎报告和第三方估算对“词数”的定义本就不同：有的按正文可见文本，有的含导航与页脚，有的按抓取时的渲染结果。删除页面后，如果三个来源同时下降，不能直接推断是删除导致的，也可能是抓取频次变化或模板改版。
要区分这些原因，可以固定一个可核查的证据链：同一天用同一工具抓取删除前后的样本页，对比正文容器是否一致；再检查删除页面的最后抓取时间是否集中在同一时段。如果下降只出现在某一个来源，而站内明细显示被删页面词数很小，那么更合理的解释是口径变化，而非内容损失。
例外与不适用的情况
并非所有删除都值得保留明细。测试页、参数页、重复内容页被清理时，保留逐页记录只会增加噪音，此时汇总为“技术性删除”一类即可。另一类例外是页面从未被有效抓取，那么它的历史词数本身就没有对比价值，保留反而会误导后续判断。
还有一种情况需要谨慎：如果删除是为了应对内容质量调整，而你无法确认删除前数据是否来自真实抓取，那么任何前后对比都只能作为参考。此时应把结论限定为“该时段词数结构发生变化”，而不是“删除改善了或损害了表现”。
把删除记录单独成层，并在每次对比前先声明口径与过滤条件，才能让历史数据在页面消失后仍然可用，而不是变成一笔无法解释的净变化。
