批量导入几万篇文档前要先确认哪几件事

批量导入几万篇文档前要先确认哪几件事？答案是四件：字段映射是否固定、同题文档怎么处理、分批节奏怎么切、导错之后怎么回退。这几件在动手前定清楚，导入才不会变成返工。AnQiCMS 支持 ZIP 压缩包与 Excel 表格批量导入文档，也提供文档内容导入接口用于程序化批量入库，容量不是问题，问题几乎都出在导入之前的准备上。

导入前先定字段映射

字段映射指「源数据的每一列对应系统里的哪个字段」，这一步要用文档写死，不能靠现场判断。常见的映射错误有三类：把摘要当成了正文的第一段自动截断、把多级分类压成一个字符串导致分类树对不上、标签列里同义词没有归一导致标签数量爆炸。

建议按下面的表逐项确认后再动手：

最后一行尤其重要。几万篇一次性置为正式文档，等于把整站的收录与展示同时押在一次未经核对的批量操作上；更稳妥的做法是先以草稿或待发布状态入库，抽样通过后再批量转正式。

查重与同题冲突怎么处理

批量导入最容易发生的是「同标题重复入库」，来源通常是历史导入过一遍但记录没留下。AnQiCMS 提供文档内容导入接口 /api/import/archive，这条接口支持按标题查询文档是否已存在，用途正是批量导入前的查重。

落地顺序建议这样安排：先把待导入的标题清单跑一遍查询，分成「已存在」与「不存在」两组；已存在那组明确处理策略（跳过、更新还是另存），不存在那组才进入导入队列。这一步看似多花时间，实际省掉的是导入之后人工清理重复页面的成本。

同题策略里，「更新」意味着覆盖既有正文，风险最高，务必先做备份；「跳过」最安全但可能造成内容缺口；「另存」会产生结构相似的页面，后续还需要重定向归并。多数场景下，用「跳过 + 人工复核清单」组合最可控。

分批导入的节奏

一次性提交全部文档，出问题时的定位面太大。按栏目或时间切成批次，每批完成后做一次抽样核对，再决定是否继续。

• 批次大小：以能在短时间内抽完样的量为限，而不是以系统能承受的量为准；
• 批次顺序：先跑长尾内容，把核心页面留到最后，这样前面几批已经把映射问题暴露完；
• 批次记录：每批记下文件、条数、结果与抽样结论，形成可追溯的台账；
• 间隔观察：每批完成后看一眼抓取与访问情况，异常先停手。

导入前留一个回退点：AnQiCMS 支持数据与静态文件的备份和恢复，一次完整备份能同时把内容库和已生成的静态资源带回去，比事后逐条撤销可靠得多。

导错了怎么恢复

恢复分两个层级。单篇或小范围错误走回收站：文档删除是移入回收站而非物理删除，已删除文档可以恢复，配合草稿与待发布状态，能在不影响整站的情况下把错误内容暂时撤下。

大范围错误走备份恢复。判断标准是「错误是否跨越多个批次、是否影响分类与标签结构」。如果是，逐条修正的时间成本通常高于直接回到导入前的备份点，再重新按修正后的映射导入一次。

恢复之后还有两件事要做：一是核对站点地图（sitemap）与链接推送状态，确保对外提交的内容清单与实际一致；二是把这次暴露出的映射问题写回上文的确认表，下一批不会再犯同样的错。

常见问题

Excel 和 ZIP 该选哪种？

结构化字段多用 Excel，正文与附件关系复杂、需要保留目录结构时用 ZIP。两者可以混用：先用 Excel 建结构与元数据，再用 ZIP 补正文与图片。

导入过程中能同时发布吗？

不建议。批量写入与对外服务同时进行时，未核对的页面可能在抽样完成前就被抓取收录，先入库为草稿再统一转正式更可控。

几万篇会不会拖慢站点？

主要压力在导入窗口而不是长期运行。避开访问高峰分批执行、导入后检查一次缓存与静态文件生成状态，比担心容量更实际。