[关闭]
@Emptyset 2015-07-29T19:33:59.000000Z 字数 5589 阅读 1923

Baidusubmit——百度WordPress结构化数据插件有毒~（附插件代码分析与修正办法）

WordPress二次开发 SEO

百度官方的WordPress插件Baidusubmit存在一个bug，会导致生成递交的sitemap里出现大量404链接。对于新站来说大量递交的404显然是对SEO有毁灭性的打击的（会导致被降权k站之类……），笔者自己就遭遇了这样的悲剧。

本文仔(luo)细(suo)地叙述了事情的经过以及推理的过程，最终给出了插件代码改进建议。

故事的开始都是美好的

前两天帮朋友用WordPress搭了个企业网站(http://www.wxjinri.com/)，三天时间百度收录首页，曾经输入企业名搜索结果可以正常出现在第一页。
站长工具的关键词记录

然后悲剧就开始了……

百度站长平台抓取频次
抓取频次直线下降，27号直接归零了……感觉就是被百度K了的节奏啊~

可是到底是哪里出了问题呢？百度站长平台能发现在22号和24号的时候都出现了大量的（虽然只有十几个，但是新站页面本来就不多）404抓取异常，即页面不存在，但是由于当时忘了开服务器访问日志，百度站长平台也没有提供抓取异常的链接具体位置。
抓取异常
其次，在某天凌晨我晕乎乎的关闭了SEO by Yoast的插件，导致description变空，第二天起床就发现百度搜不到排名了，不知道这是不是也是原因之一。

Baidusitemap……

还有一件诡异的事情就是Baidusubmit插件每天都有几十到好几百的递交量。
终于今天开启了BAE日志后发现了类似如下的记录——

  1. 123.125.71.49 www.wxjinri.com [2015-07-29 21:21:40] 200 1146 69648 2243 "GET /wp-content/plugins/baidusubmit/sitemap.php?m=sitemapall&start=1&p=c60af1349ced96b2 HTTP/1.1" "" "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)"

也就是百度蜘蛛抓取baidusubmit插件生成的sitemap的记录，于是我加上域名访问了一下该链接(http://www.wxjinri.com/wp-content/plugins/baidusubmit/sitemap.php?m=sitemapall&start=1&p=c60af1349ced96b2)，看看它到底生成了哪些sitemap……

点开以后我惊奇地发现里面有大量奇怪的链接，类似domain/2015/06/16/postname这样，其中postname是一些menu的名字，例如会有domain/2015/06/16/首页，这样明显是404的页面链接。
那么问题来了，这些链接到底是怎样通过插件生成出来的呢？那就去分析一下Baidusubmit插件的源代码吧。
根目录下有main.php是插件入口文件，这个文件末尾看到add_action('init', array('BaidusubmitGenerator', 'init'), 1000, 0);，说明插件钩子的位置是init，触发优先级为1000（优先级1是最先触发的意思），由于之前没有二次开发过WordPress，所以这次顺手查了一下init钩子。http://codex.wordpress.org.cn/Plugin_API/Action_Reference/init 解释说：

Runs after WordPress has finished loading but before any headers are sent. Typically used by plugins to initialize.

这是一个非常常用的钩子，因为它几乎可以挂载任何东西。
Baidusubmit插件文件目录——
- \sitemap.php：这是百度蜘蛛要来爬取的页面，正如刚才我们看到的sitemap.php?m=...&start=...&p=...，其中p是访问密码。这个页面收到了GET参数以后就根据数据库记录echo出来一个xml文件。
- \main.php：插件入口文件。
- \checksign.php：这个好像是插件用来判断是否被用户勾选“开启”自动递交选项的。
- \inc\sitemap.php：BaidusubmitSitemap类。里面写了许多重要的获取post，url相关的函数，待会儿要修改的部分就在这里。
- \inc\schema.php：BaidusubmitSchemaPost类。这是xml生成文件的模板。

在\inc\schema.php能看到输出xml的格式——

  1.         return
  2.     "<url>\n" .
  3.         "<loc><![CDATA[{$this->_url}]]></loc>\n" .
  4.         "<lastmod>{$this->_lastmod}</lastmod>\n" .
  5.         "<data>\n" .
  6.             "<blogposting>\n" .
  7.                 "<headline><![CDATA[{$this->_title}]]></headline>\n" .
  8.                 "<url><![CDATA[{$this->_url}]]></url>\n" .
  9.                 "<articleAuthor>\n" .
  10.                     "<articleAuthor>\n" .
  11.                         "<alias><![CDATA[{$this->_author}]]></alias>\n" .
  12.                     "</articleAuthor>\n" .
  13.                 "</articleAuthor>\n" .
  14.                 "<articleBody><![CDATA[{$this->_content}]]></articleBody>\n" .
  15.                 "<articleTime>{$this->_publishTime}</articleTime>\n" .
  16.                 "<articleModifiedTime>{$this->_lastmod}</articleModifiedTime>\n" .
  17.                 "{$keywords}" .
  18.                 "<articleSection><![CDATA[{$this->_term}]]></articleSection>\n" .
  19.                 "{$pics}\n" .
  20.                 "{$video}" .
  21.                 "{$audio}" .
  22.                 "{$comment}" .
  23.                 "<articleCommentCount>{$this->_commentCount}</articleCommentCount>\n" .
  24.                 "<articleLatestComment>{$this->_latestCommentTime}</articleLatestComment>\n" .
  25.             "</blogposting>\n" .
  26.         "</data>\n" .
  27.     "</url>\n";

没错，我现在就盯着这儿呢<loc><![CDATA[{$this->_url}]]></loc>，毕竟问题就出在url上，我想知道它是在哪里生成的，外加上本类里有这样一个函数——

  1.     public function setUrl($url)
  2.     {
  3.         $this->_url = trim($url);
  4.     }

因此$url是从外部传入的了。接下来，在\inc\sitemap.php中有这样一个函数genSchemaByPostId，功能显然是通过PostID来生成xml，实例化了

  1.     static function genSchemaByPostId($post_id, &$post=null)
  2.     {
  3.         require_once dirname(__FILE__).DIRECTORY_SEPARATOR.'schema.php';
  4.         $post = get_post($post_id);
  5.         $schema = new BaidusubmitSchemaPost();
  6.         $schema->setTitle($post->post_title);
  7.         $schema->setLastmod($post->post_modified);
  8.         $schema->setCommentCount($post->comment_count);
  9.         $schema->setPublishTime($post->post_date);
  11.         $_user = WP_User::get_data_by('id', $post->post_author);
  12.         $schema->setAuthor($_user->display_name);
  14.         $_url = BaidusubmitSitemap::genPostUrl($post);
  15.         $schema->setUrl($_url);
  16.         $schema->setLoc($_url);

首先用WordPress函数get_post($post_id)来产生这个post对象，有兴趣的可以在模板里把它var_dump出来看一下。这里就很清楚了url的来源$_url = BaidusubmitSitemap::genPostUrl($post);，好，那我们再找到genPostUrl()函数——

  1.     static function genPostUrl($post)
  2.     {
  3.         return get_permalink($post);
  4.     }

起初我以为问题出在url生成方式上，结果发现它只是调用了WordPress的函数get_permalink()来生成的url，理论上也不可能出错。
这样一来我们得继续跟着url的线索往根源去找，既然url生成的方式没出错，那么就是这个$post的来源出了问题。既然函数是根据PostID来构造的post对象，那么我就得去找到这个PostID是哪来的。果然，在BaidusubmitSitemap类里发现了这样两个函数——

  1.     static function getPostIdByIdRange($start_id, $end_id)
  2.     {
  3.         global $wpdb;
  4.         $start_id = intval($start_id);
  5.         $end_id = intval($end_id);
  6.         $wpdb->query("SELECT ID FROM $wpdb->posts WHERE ID >= $start_id AND ID <= $end_id AND post_status = 'publish' AND post_password = ''");
  7.         $ret = array();
  8.         foreach ($wpdb->last_result as $val) {
  9.             $ret[] = $val->ID;
  10.         }
  11.         return $ret;
  12.     }
  14.     static function getPostIdByTimeRange($start_time, $end_time, $limit)
  15.     {
  16.         global $wpdb;
  17.         $start_time = date('Y-m-d H:i:s', $start_time);
  18.         $end_time = date('Y-m-d H:i:s', $end_time);
  19.         $limit = intval($limit);
  20.         $sql = "SELECT ID FROM $wpdb->posts WHERE  post_modified >= '$start_time' AND  post_modified <= '$end_time' AND post_status = 'publish' LIMIT $limit";
  21.         $wpdb->query($sql);
  22.         $ret = array();
  23.         foreach ($wpdb->last_result as $val) {
  24.             $ret[] = $val->ID;
  25.         }
  26.         return $ret;
  27.     }

我发现它是直接从wp_posts表中获取的$post_id。那么wp_posts表中到底有些什么样的数据呢？进入数据库查看后总算真相大白了。原来WordPress把许多东西（不止是文章）都叫做post，比如我们上传一个attachment，会有一个postid，我们发page也会有postid，制作的菜单也会有对应的postid。我尝试用菜单的id(4439)在模板中输出它的url：

  1. <?php
  2.     echo get_permalink( 4439 );
  3. ?>

果然就输出了一个不存在的404 url……

解决办法

\inc\sitemap.php中找到getPostIdByIdRange函数，将

  1. $wpdb->query("SELECT ID FROM $wpdb->posts WHERE ID >= $start_id AND ID <= $end_id AND post_status = 'publish' AND post_password = ''");

改成

  1. $wpdb->query("SELECT ID FROM $wpdb->posts WHERE ID >= $start_id AND ID <= $end_id AND post_status = 'publish' AND post_password = ''  AND (post_type = 'page' OR post_type = 'post')");

找到getPostIdByTimeRange函数，将

  1. $sql = "SELECT ID FROM $wpdb->posts WHERE  post_modified >= '$start_time' AND  post_modified <= '$end_time' AND post_status = 'publish' LIMIT $limit";

改成

  1. $sql = "SELECT ID FROM $wpdb->posts WHERE  post_modified >= '$start_time' AND  post_modified <= '$end_time' AND post_status = 'publish' AND  (post_type = 'page' OR post_type = 'post') LIMIT $limit";

限制了插件只生成page页或者post页的sitemap。

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注