📖 薄内容审计 · 使用教程

1. 这个工具是干啥的

给一个网站的 sitemap，工具会逐页抓取、识别哪些是「薄内容页」——对搜索引擎和用户都没价值的页面（字数过少、内容空、标题堆关键词、和其它页几乎一样、HTTP 错误等）。

每页给三样东西：

• 问题诊断——大白话告诉你这页为啥被挑出来
• 建议动作——删除 / 合并 / 重写 / 扩充 / 加 noindex / 改标题 / 改图 alt
• 优先级——P0（赶紧改）/ P1（排期）/ P2（有空再说）

最后导出一份 Excel 报告，运营拿着按优先级清就行了。

2. 第一次用：注册和登录

2.1 找管理员要邀请码

跟 Leo 要邀请码（一串字符，比如 91team2026）。这个码用来注册新账号。

2.2 注册账号

1. 浏览器打开 注册页
2. 填邀请码、花名（中英都行，比如 小李 或 leo）、密码（≥6 位）
3. 点「注册」→ 自动登录跳到主页

2.3 以后登录

下次直接 登录页 输花名 + 密码。session 保持 7 天，关浏览器再开还在。

3. ⭐ 怎么拿 CSS 选择器（最关键）

3.1 啥是 CSS 选择器

每个网页都是用 HTML 写的，HTML 标签可以带 class 名字，比如：

<div class="post-content">
  这里是文章正文……
</div>

这个 .post-content（点 + class 名）就是 CSS 选择器——告诉工具「正文在哪个盒子里」。

不告诉工具的话，它会自动猜（通常能猜对），但自动猜可能抽到模板/广告/侧栏，把字数算大了/算小了。所以最好你自己看一眼站点的 HTML 结构，把正文容器的 selector 喂给它。

3.2 怎么拿（详细步骤）

<div class="post-content"> ……整篇正文…… </div>

<article class="article-body main-content"> ……正文…… </article>

3.3 验证选对了

提交真的任务前，一定要先小样本试一下，用 max_urls=1 跑 1 条看：

3.4 几个常见站的写法举例

3.5 实在搞不定？留空

选择器框留空，工具内置了 40+ 个常见 selector +「蝴蝶效应SEO算法」兜底，会自动尝试。但精度可能比手填差。

4. 提交审计任务

4.1 各字段啥意思

4.2 推荐流程

1. 第一次跑：填 sitemap、CSS 选择器、最多审 N 条 = 1，提交看一条结果。验证选择器对不对。
2. 选择器确认 OK 后：去掉 N 条限制（填 0），跑全量。10000 条 URL 大约 10-20 分钟。
3. 跑完下载 Excel 报告，按优先级清。

5. 看结果 + 下载报告

5.1 主页面顶栏的几个数字

5.2 下载 Excel 报告（推荐）

跑完点「📊 下载 Excel 报告」，会下来一个多 sheet 的 .xlsx 文件：

5.3 主 CSV / 近重复 CSV

需要原始数据做二次加工（如导入数据库 / Excel 透视），下载这两个。普通运营用 Excel 报告就够了。

6. 用 AI 改写建议

勾选「☑ 启用 AI 改写建议」后，工具会对最严重的 N 条薄页调用大模型，每页生成：

• 这页有啥问题（一段话）
• 怎么改（3-5 条具体建议）
• 改完目标（标题示例 / H1 示例 / 字数 / 删除还是重写）

这些只显示在 Excel 报告的「AI 改写建议」sheet。

6.1 你需要准备啥

6.2 推荐网关（由便宜到贵）

50 条 AI 调用大概就是 0.5-1 元，跟一杯奶茶比起来不贵。

7. 📋 审查项详解 — 报告里每个标记/动作啥意思

看 Excel 报告里的「问题诊断」「建议动作」「优先级」三列时，对照这一节查。

7.1 触发「薄」的 6 种信号

只要命中下面任何一条，这页 is_thin = True，会进薄内容清单：

① 字数过少

• 触发：正文字数低于阈值（文章页默认 40 / 首页 50 / tag-category 20）
• 大白话：这页基本啥也没说，用户来一趟没收获
• 咋办：扩充到 300+ 字（加观点/对比/案例/FAQ/配图说明）；实在没东西就删掉

② 空状态页

• 触发：正文里写着「暂无内容 / no results / 0 篇」之类
• 大白话：tag/分类/搜索/作者页里啥也没有
• 咋办：删掉 URL，或加 noindex 不让收录

③ 标题堆词 ⭐

• 触发：<title> 里命中 ≥4 个营销关键词（限制级、大尺度、床戏、吻戏、犯罪的身材...）
• 大白话：标题为了拉流量塞了一堆同义关键词，不像人话
• 例子：「韩国限制级神片 日历女孩 ！韩国明星李熙大尺度献身 床上的缠绵 吻戏的湿热 配上她那让人犯罪的身材 每一帧都让人忍不住多看几眼」← 9 个关键词命中
• 咋办：改成 ≤60 字、聚焦 1-2 个核心词的自然标题。比如「韩国电影《日历女孩》李熙大尺度演出片段」

④ 图片 alt 堆词 ⭐

• 触发：≥3 张图 + 所有 alt 完全相同 + alt 长度 ≥30 字 + alt 命中 ≥4 个堆词关键词
• 大白话：10 张不同图配的描述全是同一句长堆词，明显是为搜索引擎写的不是为人写的
• 咋办：让技术给每张图分别配简短描述（「封面剧照」「吻戏特写」「身材展示」），或者改成中性描述

⑤ 正文抽取失败

• 触发：HTML 抓到了，但选择器没匹配上、自动识别也抽不到 30 字以上的内容
• 大白话：CSS 选择器配错了，或这页是 JS 渲染的
• 咋办：先重新拿 CSS 选择器（看第 3 节）；如果是 JS 渲染需要 headless 抓取，跟 Leo 说

⑥ 软 404

• 触发：HTTP 200 但页面文字里写着「404 / 找不到 / 已删除 / 页面不存在」
• 大白话：服务器假装这页正常，实际页面已经废了
• 咋办：让技术真正返回 404 或 410；sitemap 也要去掉这条

7.2 终端问题（网络 / HTTP）

7.3 跨页信号（跑完所有页才能判定）

标题重复 (is_title_duplicate)

• 触发：站内 ≥2 个页有完全相同的 <title>
• 大白话：浏览器标签上的标题，跟其它页一字不差
• 咋办：每页改成独有标题，加品类 / 型号 / 地区 / 年份这种区分信息

近重复组 (near_dup_group)

• 触发：64 位 SimHash 海明距离 ≤1（约 95%+ 相似度）
• 大白话：跟另几个页内容几乎一样（典型场景：批量伪原创、参数 URL 多份内容）
• 咋办：保留字数最多的为主页，其它 301 到主页或加 canonical 指向主页。Excel 报告里有专门一个 sheet 列出每组的所有 URL

noindex / canonical（仅记录）

• 站长已经主动 noindex 或 canonical 的页 → 跳过，不用动

7.4 12 种建议动作详解

7.5 6 种页型

工具会自动按 URL 模式给每页分类，不同页型用不同的字数门槛和判定规则：

7.6 优先级

8. 常见问题

Q1：跑了一条，字数 = 0 / 字数不对

选择器没选对。回到第 3 节按步骤重新选。或者把选择器留空让工具自动猜。

Q2：跑得很慢

三个原因：

• 站本身慢——并发数（concurrency）调高（比如 20）
• 反爬限速——并发数调低（3-5）+ 换 User-Agent
• sitemap 巨大（几万条 URL）——耐心，10000 条 20-40 分钟正常

Q3：很多页报「抓取失败 / 超时」

站点反爬严或 CDN 防护。试一下：

• 并发数降到 3-5
• User-Agent 换成 Googlebot/2.1 (+http://www.google.com/bot.html)
• 跟运维确认下服务器 IP 是不是被站点 ban 了

Q4：报告里的优先级 / 动作 / 信号都是啥

看上面 第 7 节「审查项详解」。

Q5：能不能保存任务列表？重启服务后任务都没了

目前任务列表不持久化。结果文件（.csv / .xlsx）在 /root/thin-content-audit/jobs/ 还在，但内存里的任务列表会丢。要持久化任务列表的话跟 Leo 说。

Q6：忘了密码 / 想改密码

找 Leo，他在服务器上跑命令重置：python3 add_user.py add 你的花名 新密码。