解读

面试官问“什么是索引”时，真正想考察的是你对“抓取—索引—排名”三段式流程的理解深度；追问“拒绝索引”则想看你是否能把技术限制、内容质量、政策合规、站点信号四条线一次性说全。回答要体现“国内主流搜索引擎（百度、搜狗、360、头条）”与Google的差异，并给出可落地的排查思路，而不是背定义。

知识点

1. 索引：搜索引擎把抓取的原始网页经去重、净化、分词、倒排后写入自家索引库，生成可参与排名的候选集合。
2. 拒绝索引的9大高频场景（国内版）：
   a. robots.txt 或 meta robots noindex 明确屏蔽；
   b. 返回4xx/5xx，或200但内容量为0；
   c. 主体内容被JS异步生成，百度渲染失败；
   d. 全站HTTPS但证书链不完整/过期，触发百度“安全风险提示”直接踢出索引；
   e. 内容被算法判定为采集、拼接、低质问答，或命中飓风/清风/劲风等专项；
   f. 涉及医疗、博彩、金融等强监管行业，备案主体与页面资质不符；
   g. 同一页面存在多版本未做canonical，百度选择“主版本”后其余被丢弃；
   h. 站点级信号：索引配额耗尽、主体失信（百度“失信站”名单）、过度泛解析；
   i. 政策性下线：内容含违禁词、灰产导流、境外敏感信息。
3. 排查工具：百度搜索资源平台“抓取诊断”“索引量”“违规提醒”，结合日志中baiduspider状态码与抓取时长。
4. 优化方向：先解封→再提升质量→最后申请配额，逐级递进。

答案

索引是搜索引擎把已抓取网页经过解析、去重、倒排后存入索引库，使其有资格参与关键词排名的过程。
在国内运营场景下，搜索引擎拒绝索引的常见原因可归为四类：

1. 技术屏障：robots封禁、非200状态码、证书错误、JS渲染失败；
2. 内容质量：采集、空白、文题不符、飓风算法低质；
3. 政策合规：行业资质缺失、违禁信息、备案不一致；
4. 站点信号：配额耗尽、主体失信、泛解析滥用。

排查时，先用搜索资源平台看“抓取诊断”是否成功，再对URL做site:和inurl:验证，最后对照日志状态码与内容长度字段定位问题；修复后提交更新并观察索引量曲线，一般7–14天可见效。

拓展思考

1. 索引≠收录：百度“收录”是前端展示量，“索引”是后端库量，两者差距>20%就要重点排查质量分。
2. 索引配额动态调整：百度会根据站点评分与行业热度给每日新增额度，优质原创站点可申请“快速收录”权益，把新URL索引时间从周级缩至小时级。
3. 索引生命周期：即使已被索引，若连续30天无用户点击且内容无更新，仍可能被倒排库清退，因此需要定期通过“内容微调+内链回流”保持活跃。