中文站的 URL 是一个长期没人愿意碰的话题,因为它牵扯三件事:新文章怎么生成、老文章动不动、以及动完了搜索引擎怎么看。三次改版里我栽过两次,第二次是三千多条老链接 301 配错,收录掉了两个月才缓过来。所以这篇不谈"哪种 URL 更好",只讲怎么改才不掉血。
先说结论:中文 slug 这件事,正确的做法是"新文章一开始就用拼音,老文章一律不动"。任何"统一美化一遍"的冲动,都要用收录数据来做冷却。
一、URL 里出现中文,问题到底出在哪
技术上中文 URL 完全能跑。浏览器会把 /文章标题 编码成 %E6%96%87%E7%AB%A0... 再发出去,服务器解码后正常匹配,RFC 3986 也允许。所以它不是"不能用",而是"每一段链路都要额外处理一次编码",而链路上任何一环处理不一致,就会出问题。
我遇到过四种具体故障,都跟中文 URL 直接相关:
复制粘贴后变成一串 %E4%B8%AD。用户从浏览器地址栏复制,粘到微信、QQ 或者论坛编辑器里,有些客户端会二次编码,% 变成 %25,链接直接 404。这是最容易丢流量的地方——你永远不知道有多少人分享时悄悄弄坏了自己的链接。
日志分析全是乱码。访问日志里 $request 是原始编码后的串,做路径归一化聚合时,一个中文标题会变成一坨百分号,你要先解码才能统计;而解码又可能因为字符集不一致得到乱码。第 2260 篇讲日志工具时,路径归一化那一步在中文站上必须先做 urldecode,否则同一篇文章在不同客户端下会统计成多条。可以用 Python 的 urllib.parse.unquote 处理,注意要按 UTF-8 解。
某些 CDN 和 WAF 对非 ASCII 路径的规则匹配不准。比如你写了一条 location ~ ^/tag/ 的规则,对中文 tag 没问题;但如果规则里带中文(这种情况少见但确实有),配置文件编码一旦不是 UTF-8,匹配就静默失效。
sitemap 里的 lastmod 与 URL 编码不一致。这一点最隐蔽:sitemap 要求 loc 写绝对 URL,中文必须做 XML 实体转义或百分号编码。有些生成器直接塞原文,XML 解析器读到非法字符就整份 sitemap 报错——GSC 里表现为"无法读取站点地图",而你的站点在浏览器里一切正常。
四种问题的共同点:它们都不影响你自己访问,只影响别人访问你。所以中文 URL 的代价,几乎全部由分享者、爬虫和你的日志工具承担。
二、拼音化之前,先把三个坑想清楚
拼音 slug 看起来是标准答案,但它自己也有坑,而且都是改的时候不发现、上线后几个月才咬人的那种。
坑一,多音字与同音字冲突。"长江"和"长将"拼音都是 changjiang;标题里最常见的"行"(hang / xing)、"重"(chong / zhong)、"了"(le / liao)都会批量出错。解决方式不是让程序判断读音——那需要分词和词性分析,成本很高——而是加一个唯一性兜底:生成 slug 后查库,重名就拼上 cid 或一个短哈希。这一步必须有,否则你会遇到"两篇文章抢同一个 URL,后发的覆盖了先发的"。我在一个站上见过因为 slug 重复,两篇不同的文章互相 301,收录直接对冲。
坑二,拼音长度失控。一个三十字的标题,拼音化之后可能是八十个字符,加上域名就是一条超长 URL。经验阈值是完整 URL 控制在 75 字符以内(更保守可以用 60),超出的部分直接截断到最后一个完整音节,然后加短哈希。截断时别按字节截,会切坏 UTF-8 字节序;按拼音音节数组截。
坑三,拼音工具的选择。PHP 里最常用的是 Overtrue\Pinyin,Python 里是 pypinyin。两个都能用,但要注意默认行为:pypinyin 默认给每个汉字加空格分隔,需要 errors='ignore' 或 style=Style.NORMAL 后再 join。如果直接把输出拼进 URL,会变成 zhong-wen-biao-ti,看着还行但单词边界怎么定得自己决定。
# Python 示例:标题转 slug,含重名兜底与长度截断
import re, hashlib
from pypinyin import lazy_pinyin
def make_slug(title, max_len=60):
parts = lazy_pinyin(title)
s = re.sub(r'[^a-z0-9]+', '-', '-'.join(parts).lower()).strip('-')
if len(s) > max_len:
s = s[:max_len].rsplit('-', 1)[0]
return s or hashlib.md5(title.encode()).hexdigest()[:8]
def unique_slug(conn, base, cid):
cur = conn.cursor()
cur.execute("SELECT cid FROM contents WHERE slug = %s", (base,))
row = cur.fetchone()
if row is None:
return base
return f"{base}-{cid}"这段代码没有做的一件事,是"拼音重复时加数字 2、3"。我更倾向直接用 cid 后缀,因为数字后缀只能表达"第二篇",而 cid 天然唯一且稳定,不依赖插入顺序。
三、老文章改 URL:唯一安全的做法是"先在原地址上活一段时间"
如果你已经有一批中文 ID 的老 URL,想改拼音,技术步骤不是"改数据库 + 加 301",而是四步,中间那步最容易被跳过:
第一步,把映射表落盘。从库里导出 (cid, 老 slug, 新 slug),存成一个三列的 CSV,放进版本库。这份表是所有后续验证的唯一依据,别指望以后还能重建出来——生成算法改一次,结果就不一样了。
第二步,双地址并行而不是立刻跳。新 URL 上线后,老 URL 不要立刻 301,先让它 200 返回同一篇内容,同时在页面里写上指向新地址的 canonical。这样搜索引擎先看到"两个地址内容相同,canonical 指向新的",再看到"老的 301 到新的",两个信号是递进的。直接 301 也不是错的,但如果 301 的目标地址本身还是新的、没被收录,搜索引擎会把权重传给一个"尚未建立信任"的地址,效果会打折。
第三步,301 只在 Nginx 层做,且用 map 而不是一堆 rewrite。几千条映射写 if 或 rewrite 会让配置文件爆炸,而且每条都是正则匹配,性能也不好看。正确做法是 map:
map $uri $new_uri {
default "";
/2026/11/zhong-wen-url.html /pinyin-slug/;
/2025/03/lao-wen-zhang.html /lao-wen-pinyin/;
# ... 从映射表批量生成,几千行也没问题
}
server {
location / {
if ($new_uri != "") {
return 301 https://www.example.com$new_uri;
}
try_files $uri $uri/ /index.php?$query_string;
}
}map 是在服务启动时编译成哈希表的,几千条是常数级查找,比逐条正则快得多,也不会因为匹配顺序出问题。
第四步,逐条验证而不是抽查。用映射表写一个循环,对每条老 URL 发 curl,断言返回 301 且 Location 头等于预期的新地址。这个循环必须跑全量,三千条也就几分钟。我吃过抽查的亏:抽了五十条全对,剩下两千九百条里有一条正则写错,正好是一条高流量的老文章,四十天后才发现它 301 到了一个空白页。
# 逐条验证映射表
while IFS=, read -r cid old new; do
loc=$(curl -s -o /dev/null -w '%{redirect_url}' "https://www.example.com$old")
[ "$loc" = "https://www.example.com$new" ] || echo "MISMATCH $cid $old -> $loc"
done < slugmap.csv注意 $redirect_url 是 curl 追完整个跳转链之后的最终地址。如果老 URL 中间隔了一层 http→https 的跳转,你就会拿到最终地址而不是第一跳。判断第一跳的 Location 头要用 curl -sI 直接看返回头,两种方式互补,老站建议都用一遍。
四、改完之后盯什么数据,盯多久
改 URL 不是上线那一刻的事,之后的观察期比改本身更重要。我的观察口径是三张表、八周:
第一张,GSC 的收录数。改版后两到四周会出现一次下落,这是正常的——老的 URL 被标记为已重定向并逐渐移出索引,新的 URL 还没完全进来。关键看第六周:如果还没回到改版前的 85%,说明有问题。常见原因是 301 链太长(老→中间页→新),或者新 URL 没有被内链覆盖。
第二张,爬虫的响应码分布。从访问日志按状态码聚合,看 301 的占比是不是在往下走、200 是不是在往上走。如果 301 一直维持高位,说明爬虫还在反复访问老地址,通常是因为站内还有大量指向老 URL 的内链——这个要单独扫一遍并改掉,否则每次爬虫来都要多跳一次。
第三张,点击量与曝光量的比值。收录恢复之后,如果曝光恢复了但点击率明显低于改版前,可能的一个原因是 URL 变了导致搜索结果里展示的路径变长变乱(有些引擎会在结果里展示路径)。这时候要回头看 slug 是不是截断得太随意,出现了 /pinyin-slu/ 这种断词。
八周是个经验值:四周看到趋势,八周确认结论。在这期间不要叠加第二个变量——别同时改标题、改模板、改 URL 结构。出了跌幅你没法归因,只能全撤回去,前面的工作白做。
五、新站一开始就做对,比改一百次都便宜
如果站点还没发几篇,现在就是最好的时机。我的建议是这样一套:
文章 URL 用 /pinyin-slug/,不带日期也不带 cid——日期在目录里看着整齐,但它妨碍你更新老文章(更新完日期还是旧的,用户会觉得内容陈旧),cid 在 URL 里暴露了发布时间和总量。
分类用固定的英文或拼音 slug,/category/tech/ 而不是 /category/技术教程/。分类数量少,一次定死,永不再改。
标签页不生成独立 URL,或者生成了但 noindex。标签是长尾垃圾场,中文标签页尤其容易和分类页、搜索结果页三份内容打架。
分页统一用 /page/2/ 这种结构,不要用 ?page=2 的查询参数——查询参数在爬虫眼里更像"同一个页面"而不是"下一批内容"。
还有一个只在中文站出现、但影响很大的细节:不要把标题里的标点带进 URL。中文标题里的问号、感叹号、书名号、间隔号,拼音化之后应该全部被吃掉,只留字母数字和连字符。如果你的 slug 生成函数只处理了空格没处理标点,会出现 ru-he-zuo-hao-seo%EF%BC%9F 这种带全角问号的链接——它编码之后特别长,而且看着就像个错误页面。
最后一点心态上的:URL 不是设计作品,是给别人复制的字符串。它只需要满足三条——短、可预测、永不变。拼音在这个标准下不是"更优美",而是"更不容易被弄坏"。至于哪种看着更顺眼,等你有五千篇文章、几十万条外链之后,就不会再纠结这个了。