网站健康检查工具：一次全站扫描被中断后怎样判断已覆盖范围
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /2d96df819241.html
📄
网站健康检查工具：一次全站扫描被中断后怎样判断已覆盖范围
扫描中断后，不要先看“扫描了多少个网址”这个总数，而要先确认中断发生在哪个阶段、断点是否可续、以及断点之前的记录是否已经落盘。对需要决定旧内容保留、改写还是退出的场景来说，真正有用的不是覆盖率百分比，而是“哪些页面已经拿到了可判断的证据”。如果中断发生在抓取阶段，已抓到的页面通常仍可判断；如果中断发生在解析或汇总阶段，原始响应可能还在，但结论尚未生成，需要按落盘情况分别处理。
先分清中断发生在抓取、解析还是汇总
全站扫描一般分三步：抓取页面并保存响应，解析标题、状态码、内链和正文特征，最后汇总成问题清单。中断点不同，已覆盖范围的含义完全不同。
- 抓取中断：已保存响应的页面算已覆盖。未抓到的页面不能靠“队列里排过”算作覆盖。
- 解析中断：响应在但字段没算完，只能算“原始数据已覆盖”，不能算“结论已覆盖”。
- 汇总中断：明细可能都在，缺的是聚合视图。此时可以自己按落盘明细重算，不必重扫全站。
判断动作：打开工具的工作目录或导出文件，看是否存在按批次写入的响应文件和解析结果文件。如果只有最终报告、没有中间文件，那么中断后基本无法精确还原覆盖范围，只能重新扫描或改用支持断点续扫的模式。这一步的结果决定接下来是“续扫补缺”还是“重扫”，直接影响时间成本。
用站点自身清单反推缺口，而不是相信扫描计数
扫描计数容易误导：重定向、参数重复、被 robots 排除的地址都可能让计数偏高或偏低。更可靠的做法是拿一份独立于扫描器的页面清单做对照。
- 从站点地图、站内链接抓取结果或服务器访问日志中整理出一份候选 URL 集合。
- 与扫描器已落盘的 URL 集合做差集，得到“未覆盖清单”。
- 对差集中的 URL 抽样请求，确认它们是可访问页面、重定向目标，还是已失效地址。
这里要注意一个反常现象：未覆盖数量突然变小，不一定说明补扫成功，也可能是候选清单本身被过滤规则削减了。请求量或抓取量归零同样不能单独证明处理正确，它还可能来自网络中断、目标站限流或本地进程被系统回收。只有把候选清单、落盘记录和抽样请求三者对上，缺口判断才成立。
把已覆盖部分按“能否支撑退出决策”分级
面向旧内容、旧系统或旧合作关系的退出取舍，覆盖范围要按证据强度分级，而不是按页面数量平均看待。
- 可直接决策：已拿到状态码、最后修改时间、内链数量和正文主题，足以判断该页是否仍有入口价值。
- 需补充证据：只有状态码，缺少内链和流量入口信息，无法判断退出后是否切断重要路径。
- 暂不决策：只有 URL 列表，没有任何响应内容，任何保留或退出判断都是猜测。
假设某站有 500 个候选页面，中断时已落盘 300 个，其中 180 个字段完整、120 个只有状态码。此时可以先用 180 个做第一轮退出名单，把 120 个标记为待补扫，剩余 200 个单独排队。这个分级的意义在于：不必等全站扫完才动手，但也不能拿半份数据直接下架页面。
续扫、重扫还是手工补，取决于三个条件
三种处理方式各有适用前提，选择时看这三点：
- 断点是否可续：工具支持从已落盘队列继续，且候选清单未变，则续扫成本最低。
- 站点是否已变化：如果中断期间模板、导航或大量页面已改动，续扫会把新旧状态混在一起，此时重扫更干净。
- 缺口是否集中在少数路径：若未覆盖的只是某个栏目或某类参数页，手工抽样加定向抓取往往比全站重扫更快。
具体到操作：先导出已落盘明细并冻结为“第一版基线”，再决定补扫范围。补扫完成后，把新增记录合并进基线，而不是覆盖它。这样即使第二次扫描再次中断，你仍然知道哪些结论来自哪一批数据。对准备退出的旧系统，这一步尤其重要，因为退出决策一旦执行，回滚成本通常高于多扫一次。
中断记录本身要留档，供下一轮判断
把中断时间、中断阶段、已落盘文件、候选清单来源和未覆盖清单一起保存。下一次再跑扫描时，这份记录能直接回答“上次缺的是哪一块”，而不必从头推断。若使用的是具体品牌工具，其断点续扫能力、导出字段和日志位置需要以该工具当前版本的实际说明为准，不同版本之间可能存在差异，不能凭旧印象套用。对需要保留、改写或退出的旧内容，判断依据始终是“这条记录能否支撑一个可复核的取舍”，而不是扫描是否跑到了 100%。
