织梦如何批量清理空文档

一、空文档的成因

清理前先了解空文档是怎么来的，才能从源头阻断再生：

• 采集失败：采集规则失效，正文未抓到，只存了标题。
• 手动误建：后台发布时只填标题就提交，正文留空。
• 定时发布异常：批量录入时正文字段未写入。
• 字符数极少：正文仅几十字，实质等同于空文档。
• 伪原创失败：替换后正文被清空或截断。

二、清理前的准备工作

1. 备份数据库：在宝塔或 phpMyAdmin 中导出整库 SQL，命名带日期。
2. 备份静态文件：打包 /a/ 目录（织梦默认HTML存放目录）。
3. 导出空文档清单：先查出空文档列表存为 CSV，便于事后核对与提交死链。
4. 站点低峰执行：选择凌晨操作，避免影响在线访问。

三、识别空文档的 SQL

织梦正文存在 dede_addonarticle 表的 body 字段，标题与状态在 dede_archives 表。空文档判定标准：body 为空、或去除标签后字符数低于阈值。

1. 查询正文为空的文档

SELECT a.id, a.title, a.typeid, a.senddate
FROM dede_archives a
LEFT JOIN dede_addonarticle b ON a.id=b.aid
WHERE a.channel=1
  AND (b.body IS NULL OR TRIM(b.body)='' 
       OR TRIM(REPLACE(REPLACE(b.body,' ',''),' ',''))='');

2. 查询正文过短的文档

去除 HTML 标签后正文少于 100 字符的文档，建议一并清理：

SELECT a.id, a.title, LENGTH(REGEXP_REPLACE(b.body, '<[^>]+>', '')) AS len
FROM dede_archives a
JOIN dede_addonarticle b ON a.id=b.aid
WHERE a.channel=1
  AND LENGTH(REGEXP_REPLACE(b.body, '<[^>]+>', '')) < 100;

注意：MySQL 5.7 以下不支持 REGEXP_REPLACE，可改用 PHP 端 strip_tags 后统计长度再删除。

四、批量删除空文档

删除须同时清理主表、附加表、TAG 关联表，否则会留下孤儿数据。推荐用 PHP 脚本调用织梦自带删除逻辑，而非直接 DELETE：

// clean_empty.php
require_once(dirname(__FILE__).'/include/common.inc.php');
require_once(DEDEINC.'/oxwindow.class.php');
require_once(DEDEADMIN.'/inc/inc_batchup.php');

$ids=array(); // 上一步查出的空文档 id 数组
foreach ($ids as $id) {
    DelArc($id); // 织梦自带删除函数，会清理主表/附加表/TAG/HTML
}
echo "已清理 ".count($ids)." 篇空文档";

若不便运行脚本，也可在后台 → 核心 → 批量维护 → “批量管理文档”中按条件筛选后删除，但效率较低，适合少量清理。

五、删除后的善后

1. 重新生成静态

删除文档后，相关栏目列表页与首页仍可能保留旧链接，需重新生成 HTML：

后台 → 生成 → 一键更新网站 → 更新所有

2. 提交死链

已被搜索引擎收录的空文档 URL，删除后会变成死链。把空文档原 URL 整理成 txt，上传到根目录并在百度站长平台提交死链：

https://www.example.com/old-empty-1.html
https://www.example.com/old-empty-2.html

3. 修复 robots

若部分空文档来自采集失败，可在 robots.txt 中屏蔽采集来源目录，避免再次被抓取入库。

六、防止空文档再生

• 发布前校验：修改 article_add.php，提交时校验正文字符数低于 100 则拦截。
• 采集后审核：采集的文档默认设为“未审核”，人工抽查后再上线。
• 定时巡检：宝塔添加计划任务，每周执行一次空文档查询脚本，输出报表。
• 权限管控：限制编辑账号直接发布权限，必须经过审核。

七、清理效果验证

清理完成后，通过三个维度验证效果：百度站长平台“索引量”是否回升、site 域名快照中空文档是否消失、栏目列表页是否还有死链。若索引量在 1~2 周内回升，说明清理有效。

后续建议

空文档清理不是一次性动作，建议纳入月度维护计划：每月跑一次空文档查询脚本，及时清理新生成的低质文档。同时把发布校验、采集审核等防再生措施落实到位，让站点始终保持“干净”的内容库，这才是织梦站点长期获得良好收录的基础保障。