SEO收录异常诊断：负载均衡架构导致的SEO问题及解决方案

最近，本人负责的其中一个站点收录出现了异常，趁着周末有空讲述一下整个诊断过程。核心问题有两点，服务器架构和网站程序架构导致的;本篇仅分享服务器架构导致的收录异常。

首先，介绍一下自己。本人就职于深圳某企业，长期混迹于乙方外包公司，众所周知seo外包公司接的是绝大部分是小企业网站，这些网站做的关键词往往也仅是改个TDK就完成排名的工作。

再加上，目前绝大部分中小站点的架构很简单，开源CMS+单一云服务器(虚拟主机)+CDN(这还是有点运维能力公司)。鉴于以上经验，导致本人完全没有意识到服务器架构方面也能出现问题。

一、收录异常的发现

从(图1)可以和明显的看出，在3月中下旬收录是偏向正常的，问题出现在3.31日-4.25日之间出现了浮动，也就是说，这个区间一定是站点出现了问题导致收录异常。

本人开始按常规方法排查，特别是服务器日志有些参数没有排除注意，以至于导致了问题发现，具体如下：

1.1、站长平台模拟爬虫抓取，正常。

1.2、搜索引擎爬虫抓取数量在提升，偏向正常。这里有异常，排查伪蜘蛛爬虫在抓数据，真实百度爬虫确实也在增长。

1.3、核心关键词排名浮动，但偏向且上升趋势靠前，目前核心大词处于前5名，正常。

1.4、服务器日志分析，爬虫对应的request_uri值(相对地址)，暂属正常，请看下文。

1.5、服务器日志是阿里云的日志，http请求，7.18日、7.19日、7.20日以及7.26日出现小面积服务器500访问错误;但最多只出现有限的时间收录异常，不至于大范围不收录。

在服务器访问日志分析中，一般需要注意的项是：爬虫抓取时间值，爬虫页面URL值，爬虫在页面抓取顺序，时间内爬虫抓取数量，另一说蜘蛛IP值有权重高低之分(本人不确定，故不参考)

页面URL值：一般服务器日志是相对地址，本人诊断出现的问题在于忽略host值，真实抓取URL应该是，host+request_uri值组合。

页面抓取顺序：可检验网站架构的爬行情况，大概可以知道爬虫在网站页面中的爬行顺序，可以辅助使用爬虫软件或者开发经典爬虫(PY，PHP等)的爬行情况作为参考

时间内爬虫抓取数量：检验网站页面总量和时间段内抓取量的占比，判断网站的受欢迎程度。

说到这里，交代一下站点的服务器架构：

用的是负载均衡，文件服务器+数据服务器+前端服务器，数据服务器全部数据是由API接口、GET方式前端和app使用，网站URL是相对地址。服务器之间自然用的也是内网通讯。

综上，可能大家也看出有忽略的参数，是1.4中提到的日志host值，因为是相对地址，host+request_uri才是抓取的完整地址。一直忽略的Host值，原来是API的二级域名(图2)

说到这里，大家可能已经基本上可以确定知道原因了。

就是百度根本没有抓取到真实的页面URL，实际上抓取的是API域名+request_uri，

即假设数据库服务器API给前端渲染的数据路径是api.**.com，走内网IP,

抓取到的页面URL为：https://api.**.com/post/1.html

真实应该是外网IP的URL：https://www.**.com/post/1.html

既然核心问题已把握30%，下一步自然是数据证明，主要从几个点。

1、翻开发日志记录

2、4月前后的服务器日志整理对比

从1中发觉，4.13号负载均衡的数据服务器api取消代理，这样造成的后果是前端直接抓取了host主机值为api域名下的数据在前端渲染，因为是直接使用内网IP没经过代理，同时api二级域名为host主机值。

从2中发觉，4月前后日志的host主机值出现了改变，由www.**.com变成了api.**.com。

最终，问题就出现在host主机为api的站点，没有使用代理，也就是说只要api站点通过代理变成www的二级站点渲染即可。如果没有使用代理，百度GET返回的页面是内网IP，抓取到的也就是https://api.**.com/post/1.html 这个URL。

解决方案：

1、负载均衡的数据服务器api接口使用代理

2、Head区增加标签

3、前端渲染的HTML使用绝对路径

4、开发个API接口推送数据

本文完。鉴于本人仅是SEO，运维能力有限，单机服务器配置下站可以，负载均衡只是略微听过，如有运维方面错误之处请见谅。