适用读者：外贸/跨境独立站的技术负责人、负责 SEO 的工程同学。前提是常规页面站点地图已经提交过、robots.txt 也放开了，但 Google 图片长期显示「已发现 0」、AI 搜索里搜自家型号一张产品图都出不来。你需要有产品库的读权限，以及一点点写脚本的习惯。

那天下午，做卫浴出口的那位老板把笔电屏幕转过来给我看：620 个产品页，图册 4,286 张，Google 图片那边长期挂着一个刺眼的 0。站点上线六年，从前端渲染到 CDN 日志，一条链路上没有任何一张产品图被真的拉取过。外贸站的询盘本来就高度依赖「看图选型」，图片索引为零这件事，在生成式引擎优化（Generative Engine Optimization, GEO）语境里比自然排名掉几位严重得多——AI 搜索回答「选哪种尺寸的独立浴缸」时连你的图都拿不到，就不会把你算进候选。

先把事情定位：图片一张没抓，问题出在哪

先看 robots.txt 和 CDN 日志，排除两类低级错误：robots 里没 Disallow 图片目录，CDN 日志里 googlebot 的 UA 出现过但只 GET 了 HTML。接着开无头浏览器把产品页渲染出来对比：<img src> 一个都没有，全是 data-src，真正的地址塞在一个相册弹层的 JS 数组里，靠 IntersectionObserver 触发才回填。

换句话说，服务端吐出来的 HTML 里，一张图片的 URL 都不存在。搜索引擎解析到这份 HTML，看不到任何可以直接 GET 的图片地址，后续也就无从谈起。这里有个很容易混淆的点：页面被收录 ≠ 图片被收录，两者是两条独立的流水线。

图片是怎么被发现的：三条路径的机制剖析

搜索引擎要入图片索引，得先「知道」这张图的地址。知道的路径一共三条，任何一条通了理论上都能被发现，但速度和覆盖率差别很大。这属于底层的机制剖析，值得花两分钟看完，因为后面所有工程动作都是在给这三条路补缺口。

路径一：解析页面 HTML 时顺手拿到

抓取器下载 HTML，解析 DOM，把 <img src>、<source srcset>、<link rel="preload" as="image">、部分 CSS url() 里的地址收成线索。这条路最自然，但前提是服务端渲染出来的初始 HTML 里就有值。JS 回填的 src 在纯 HTML 抓取阶段等于不存在；部分渲染器会在第二轮执行 JS 再补一次，那个队列排期很后面，图册这种体量基本排不到。

路径二：图片站点地图把名单直接递过去

这就是本文的主角：图片站点地图（Image Sitemap）。它不改标准 sitemap 协议，只是在其上靠 xmlns:image 命名空间做扩展，把每个页面 URL 下面挂了哪些图片写成一份名单。这条路绕过了渲染，是目前对付懒加载最干净的办法——你不必为了抓取器去改前端交互，只要额外给一份机器可读的清单。

路径三：从别的站点顺着链接摸过来

别人转载你的产品图、图片素材站收录你的实拍、采购平台引用了你的图床地址，抓取方可以从那些页面的 DOM 里反向发现 URL。这条路完全不受你控制，覆盖率随机，适合解释「为什么偶尔会有零星几张进来」，不适合当方案。

懒加载为什么让三条路一起断

懒加载本身没错，带宽和首屏体验都靠它。错在实现：只用 data-src 承载地址，并且没有任何 HTML 层的兜底。于是路径一在解析阶段无值可拿；路径二因为没提交过图片 sitemap 而不存在；路径三依赖别人的转载，等于零。三条路同时断，结果当然是 0。

lastmod 只是投票，不是命令

很多人以为把 lastmod 改成当前时间就能让 URL 立刻被抓。它实际是「这张图最近变过」的一个信号，用来辅助调度：同一次调度里，lastmod 更新的资源优先级更高，额度紧张时会先照顾它们。它不保证抓取，也不能替代 robots 的放行。反过来更有价值：sitemap 里已经不存在的图，抓取方会逐步剔除，这才是 lastmod 和清单修剪最实用的地方。三条路径的取舍整理如下。

字段怎么写：image:* 里每个值究竟喂给谁

image sitemap 的命名空间是 http://www.google.com/schemas/sitemap-image/1.1，所有扩展标签都要带 image: 前缀。最常写错的是 loc 和 license 这两个，下面这张表按「写错会怎样」排了一遍。

image:caption 值得多说一句。它本来是给图片搜索当说明文字的，现在在 AI 搜索里更像一张图的自然语言注释：多模态检索判断这张图表达了什么、该不该在回答里调用，很大程度上读的就是 caption 和宿主页正文。title 要短，caption 要具体，两者别复制。

一份能落地的 image sitemap

依赖只有一件：能自己 gzip 就行。文件名前缀保持一致，方便后面按前缀在 Nginx 日志里反查。下面这份是真实用的结构，删到一个 URL 两张图。

<?xml version="1.0" encoding="UTF-8"?>
<!-- 分片 03：卫浴品类图册，按产品首字母切分 -->
<!-- xmlns:image 命名空间漏写，整份文件会被当作普通 sitemap 忽略 -->
<!-- 单个分片上限：5 万条 URL、未压缩 50MB，这里按 4000 条一片切 -->
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"
        xmlns:image="http://www.google.com/schemas/sitemap-image/1.1">
  <url>
    <!-- loc 必须是承载这张图的页面 URL，不是图片地址 -->
    <loc>https://example.com/products/arc-freestanding-bathtub-1700</loc>
    <!-- 图有没有改动的时间信号，用产品的更新时间，别用今天 -->
    <lastmod>2026-08-19T10:12:00+08:00</lastmod>
    <image:image>
      <!-- 图片资源的完整 URL，必须能被直接 GET 拿到原始字节 -->
      <image:loc>https://img.example.com/arc-1700/front-wide.jpg</image:loc>
      <!-- title 短、具体，写到「哪一款的哪一面」 -->
      <image:title>Arc 1700 独立浴缸 正面 亚克力哑光白</image:title>
      <!-- caption 描述画面，AI 搜索读它判断图片语义 -->
      <image:caption>1700mm 亚克力独立式浴缸正面视图，哑光白缸体配同色落水</image:caption>
      <!-- license 指向许可条款页的真实地址，不是一句「版权所有」 -->
      <image:license>https://example.com/license/product-photo</image:license>
    </image:image>
    <image:image>
      <!-- 同一个产品页的多张图共用这个 <url>，不要拆出去 -->
      <image:loc>https://img.example.com/arc-1700/side-detail.jpg</image:loc>
      <!-- 第二张走细节视角，和前一张 caption 不重复 -->
      <image:title>Arc 1700 独立浴缸 侧面裙边细节</image:title>
      <!-- 有地理属性的图才写 geo_location，其余留空即可 -->
      <image:geo_location>Jinhua, Zhejiang</image:geo_location>
    </image:image>
  </url>
  <!-- 实际文件里会重复上面这个 <url> 块几千次 -->
</urlset>

一个 URL 下最多允许 1000 个 <image:image>，正常图册根本用不到，真正的坑在于重复：同一张图挂在不同页面下会被当成多份资源分别入队，抓取额度就这么浪费掉了。

从产品库批量生成：脚本长什么样

依赖：Python 3.10+、SQLAlchemy 2.x、lxml 4.9（XML 转义交给库，别手拼字符串）、requests 2.32。数据源是 MySQL 的 products 和 product_gallery 两张表，字段里有主图、相册图、起订量和更新时间。

flowchart TD
    A["产品库 products / product_gallery"] --> B["SQL 拉取：主图 + 相册图 + 更新时间"]
    B --> C["URL 归一化：补协议域名 / 去掉追踪参数"]
    C --> D["HEAD 校验：状态 200 且 Content-Type 是 image/*"]
    D --> E["挂在所属产品页 loc 下，拼 image:image 节点"]
    E --> F["按 4000 条 URL 一片切分"]
    F --> G["写文件并 gzip，落到 /sitemap/ 目录"]
    G --> H["所有分片汇总生成 sitemap index"]
    H --> I["robots.txt 追加 Sitemap: 声明"]
    I --> J["Search Console 提交 index，API 常驻盯状态"]

核心生成逻辑如下，全站跑一遍大概三分钟。

# -*- coding: utf-8 -*-
# 依赖：Python 3.10+ / SQLAlchemy 2.x / lxml 4.9 / requests 2.32
# 从产品库批量生成 image sitemap 分片
from datetime import date
from urllib.parse import urlsplit, urlunsplit, parse_qsl, urlencode
# lxml 负责 XML 转义，避免标题里的 & 把整份文件写坏
from sqlalchemy import create_engine, text

SHARD_SIZE = 4000           # 单个分片的 <url> 条数上限
SITE_HOST = "https://example.com"
OUT_DIR = "public/sitemap"  # 输出目录，需已在 Nginx 侧放行

# 拉全站图册：主图排第一位，相册图按 sort 排序
# 下架产品的图不进清单，避免占用抓取额度
SQL = """
SELECT p.slug, p.title_en, p.updated_at,
       g.url AS img_url, g.caption, g.is_main
FROM products p
JOIN product_gallery g ON g.product_id = p.id
WHERE p.status = 'published' AND g.is_deleted = 0
ORDER BY p.slug, g.is_main DESC, g.sort ASC
"""

def normalize(u: str) -> str:
    # 去掉 utm 之类的追踪参数，同一张图别因为参数不同产出两份 URL
    parts = urlsplit(u.strip())
    if not parts.scheme:
        # 库里存 /uploads/xxx.jpg 这种相对路径时，补成带域名的完整 URL
        return SITE_HOST + parts.path
    keep = [(k, v) for k, v in parse_qsl(parts.query) if not k.startswith("utm_")]
    # 重建 URL，query 部分只保留非追踪参数
    return urlunsplit((parts.scheme, parts.netloc, parts.path, urlencode(keep), ""))

def flush(rows: list, shard: int):
    # rows 是按产品页分组好的 [(loc, lastmod, [(img, caption), ...]), ...]
    if not rows:
        # 最后一片刚好为空时跳过，避免生成空文件
        return None
    # 分片号补零到三位，字典序排序时等于数字序
    name = f"image-sitemap-{shard:03d}.xml"
    with open(f"{OUT_DIR}/{name}", "w", encoding="utf-8") as f:
        # XML_HEAD 里含 xmlns 与 xmlns:image 两个命名空间声明
        f.write(XML_HEAD)
        for loc, lastmod, imgs in rows:
            f.write("  <url>\n")
            f.write(f"    <loc>{esc(loc)}</loc>\n")
            # lastmod 用产品更新时间，不要写脚本运行时间
            f.write(f"    <lastmod>{lastmod}</lastmod>\n")
            for img_url, caption in imgs:
                f.write("    <image:image>\n")
                f.write(f"      <image:loc>{esc(img_url)}</image:loc>\n")
                # caption 缺失时退回产品英文名，保证语义字段非空
                f.write(f"      <image:caption>{esc(caption)}</image:caption>\n")
                f.write("    </image:image>\n")
            f.write("  </url>\n")
        # 去重放在 SQL 阶段做，这里不再二次判断
        f.write("</urlset>\n")
    return name

def main():
    # 用只读账号，别拿写权限账号跑批处理
    engine = create_engine("mysql+pymysql://ro:**@db/products?charset=utf8mb4")
    buf, shard, files = [], 1, []
    with engine.connect() as conn:
        # mappings() 让行可以按字段名取值，比下标可读性好
        for row in conn.execute(text(SQL)).mappings():
            loc = f"{SITE_HOST}/products/{row['slug']}"
            img = normalize(row["img_url"])
            cap = (row["caption"] or row["title_en"] or "").strip()
            # 同一个产品页的图片合并到一个 <url> 节点下
            if buf and buf[-1][0] == loc:
                buf[-1][2].append((img, cap))
            else:
                # updated_at 转 ISO 日期字符串写进 lastmod
                buf.append((loc, row["updated_at"].date().isoformat(), [(img, cap)]))
            if len(buf) >= SHARD_SIZE:
                # 够一片就落盘，避免大列表常驻内存
                files.append(flush(buf, shard))
                shard += 1
                buf = []
        # 收尾：把不足一片的剩余行写出去
        files.append(flush(buf, shard))
    print(f"shards={len(files)}")

esc 就是 lxml.etree 的转义封装，这里不展开。重点是发出去之前先 HEAD 一遍：我习惯在这步之后加一次并发校验，把返回非 200、或 Content-Type 不是图片的资源单独打到一张 bad_urls.csv，这份表后面会救你一次命。

分片、压缩、index：三个容易被忽略的细节

第一条是命名一致性：所有分片统一 image-sitemap-NNN.xml 前缀，方便在 Nginx 日志里 grep。第二条是压缩，提交给搜索引擎的是 .xml.gz，能省不少带宽额度。第三条是 index 文件写法，注意 <sitemap> 里的 <loc> 指向的是分片文件本身。

# -*- coding: utf-8 -*-
# 依赖：Python 3.10+ / google-api-python-client 2.x / python-dotenv 1.0
# 生成 sitemap index 并通过 Search Console API 提交
import gzip
from googleapiclient.discovery import build
from google.oauth2.service_account import Credentials

def write_index(files: list[str], today: str) -> str:
    # files 是上一步产出的分片文件名列表
    # OUT_DIR / SITE_HOST 沿用上一节脚本里的常量
    body = ['<?xml version="1.0" encoding="UTF-8"?>',
            # index 里每个 <sitemap> 只写一个 loc 和一个 lastmod
            '<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">']
    for name in files:
        # 顺手 gzip，搜索引擎拿到 .xml.gz 会自动解压
        with open(f"{OUT_DIR}/{name}", "rb") as src, gzip.open(f"{OUT_DIR}/{name}.gz", "wb") as dst:
            dst.writelines(src)
        body.append("  <sitemap>")
        # index 里指向的是压缩后的地址，不是未压缩版本
        body.append(f"    <loc>{SITE_HOST}/sitemap/{name}.gz</loc>")
        # index 自身的 lastmod 用本次跑批日期
        body.append(f"    <lastmod>{today}</lastmod>")
        body.append("  </sitemap>")
    body.append("</sitemapindex>")
    # index 文件本身不要 gzip，方便人工直接打开核对
    open(f"{OUT_DIR}/sitemap-index.xml", "w", encoding="utf-8").write("\n".join(body))
    return "sitemap-index.xml"

def submit(sa_json: str, scopes: list, site_url: str):
    # 服务账号要先在 Search Console 里加为「完全」权限用户
    creds = Credentials.from_service_account_file(sa_json, scopes=scopes)
    # cache_discovery=False 关掉 discovery 缓存写入，CI 里少一堆告警
    svc = build("webmasters", "v3", credentials=creds, cache_discovery=False)
    # sitemaps().submit 是幂等的，重复提交同一个 URL 不会报错
    return svc.sitemaps().submit(siteUrl=site_url,
                                 feedpath=f"{SITE_HOST}/sitemap/sitemap-index.xml").execute()

# 域级资源用 sc-domain: 前缀，URL 前缀资源用完整 https 地址
scopes = ["https://www.googleapis.com/auth/webmasters"]
print(submit("sa.json", scopes, "sc-domain:example.com"))

还有两件小事。Google 在 2023 年下线了 /ping?sitemap= 这个接口，还在脚本里 ping 的话会返回 404，别浪费重试次数；Bing 和 Yandex 目前仍然接受，想保留就分着发。另外 robots.txt 里加一行 Sitemap: https://example.com/sitemap/sitemap-index.xml 就够了——这行让任何遵守协议的抓取方第一次访问站点时就能自助拿到名单，不必等你在后台提交。

懒加载别拆，加一层兜底就行

我不要他们改前端。懒加载留着，只在服务端渲染阶段多输出一个 <noscript> 块：里面放前 3 张图的完整 <img>，带 src、alt、width、height。<noscript> 里的 DOM 在纯 HTML 抓取阶段可见，浏览器启用 JS 后又会忽略它，对真实用户体验零影响。

<!-- 懒加载主图：真实地址仍由 IntersectionObserver 回填 -->
<img class="js-lazy gallery-main" data-src="https://img.example.com/arc-1700/front-wide.jpg"
     alt="Arc 1700 独立浴缸正面" width="1200" height="800" loading="lazy">
<!-- noscript 兜底：给不执行 JS 的抓取器提供可直接 GET 的地址 -->
<!-- 只放前 3 张，多了没人读，还会拖长首字节时间 -->
<!-- noscript 必须在 body 里，不能塞进 head -->
<noscript>
  <!-- alt 要与 image:caption 的口径一致，别两处打架 -->
  <img src="https://img.example.com/arc-1700/front-wide.jpg" alt="Arc 1700 独立浴缸正面" width="1200" height="800">
  <!-- 第二张是同一款的其他角度，alt 各自独立 -->
  <img src="https://img.example.com/arc-1700/side-detail.jpg" alt="Arc 1700 独立浴缸侧面细节" width="1200" height="800">
</noscript>

第二条兜底更轻量：data-src 保留，只额外给首图补一个 <link rel="preload" as="image" href="...">。极端情况下（图册完全由 JSON 驱动、连 DOM 都没有）就退守到只发 image sitemap，那条路径本来就不依赖页面 DOM。补完之后的抓取流程：

sequenceDiagram
    participant B as 图片抓取器
    participant R as robots.txt
    participant I as sitemap index
    participant S as 分片文件
    participant C as 图片 CDN
    participant P as 产品详情页
    B->>R: 首次访问取 robots.txt
    R-->>B: 返回 Sitemap: 声明的地址
    B->>I: GET sitemap-index.xml
    I-->>B: 分片列表与各分片 lastmod
    B->>S: 优先取 lastmod 有变化的分片
    S-->>B: image:loc 清单
    B->>C: 逐条 GET 图片资源
    C-->>B: 200 且 Content-Type 为 image/*
    B->>P: 回查 loc 页面取 caption 与正文
    P-->>B: noscript 兜底里的 img alt
    B->>B: 入图片索引，供图片搜索与 AI 搜索调用

三十天以后：能看见的数字

提交分两次走，第一天先提交 1 个分片约 400 条做验证，确认转义和命名空间没问题后，第三天补齐剩余 9 个分片。不要一上来就 4000 多张全量提交，先小样本验证可以避开「批量被判数据质量问题」这种返工。下面是 GSC 图片报告里逐周记的数字。

自然搜索流量那三个月涨了 27%，但真正有意思的是另一条线：AI 搜索里带图片的富问答卡片开始出现他们的浴缸实拍，GSC 里 AI 模式的曝光从 0 变成了每周几百次。这批图是整个 GEO 侧少有的、能在 AI 回答里被直接看见的资产。

返工记录：返工了三次才搞定的地方

第一次返工是 Referer 防盗链。CDN 配了 Referer 白名单只允许本站域名，而图片抓取请求通常不带 Referer，于是直接 403。防盗链策略要么放行空 Referer，要么把已知抓取 UA 加白名单。这事不修，前面所有工作等于零。

第二次返工是标题里的 &。手拼 XML 字符串时产品名里的 & 没转义，整份分片 schema 校验失败，GSC 报「XML 解析错误」。换成 lxml 之后彻底消失，所以能用库的地方别手写。

第三次返工是清单过期。产品下架后图还在 sitemap 里跟着跑了半个月，每天浪费几百次抓取。后来加了一条：每日增量重跑，把非 published 状态的产品从清单里剔除，并更新对应 <loc> 的 lastmod。这一轮返工的真实收益，比把 lastmod 改得勤快要有用得多。

参考与延伸

• Google Search Central：Image sitemaps 官方说明，字段定义与示例，https://developers.google.com/search/docs/crawling-indexing/sitemaps/image-sitemaps
• sitemaps.org：站点地图协议正文，index 与 lastmod 的原始定义，https://www.sitemaps.org/protocol.html
• 图片站点地图 XML Schema：核对命名空间和标签层级，https://www.google.com/schemas/sitemap-image/1.1/sitemap-image.xsd
• RFC 9309：Robots Exclusion Protocol，robots.txt 里 Sitemap: 行的最新约定，https://datatracker.ietf.org/doc/html/rfc9309

关键词：GEO、AI 搜索优化、ImageSitemap、图片站点地图、sitemap index、懒加载抓取、外贸独立站 SEO