地域关键词挖掘进化史：从手动拼280个到35分钟生成12000个

一、地域关键词本质上在解决什么问题

一个在北京搜"搬家公司"的人，和一个在成都搜"搬家公司"的人，需求完全不同。搜索引擎也知道这一点——所以它会根据用户的地理位置给出不同的结果。但问题是：如果你的网站只优化了"搬家公司"这个词，你可能在哪个城市都排不上去，因为这个词的竞争太激烈了。而"北京海淀搬家公司""成都武侯区搬家""深圳南山搬家哪家便宜"这些地域长尾词，搜索意图明确、竞争度低、转化率高。

二、国内工具：百度生态下的地域关键词挖掘

5118地域词组合实操

5118是目前国内做地域关键词组合最高效的工具。核心操作路径：

# 5118地域词组合操作步骤# 第一步：进入"关键词挖掘"→"地域词组合"# 输入你的核心服务词，例如：搬家、保洁、月嫂、装修（支持批量输入，用换行分隔）# 第二步：选择地域范围# 选项一：全国省市区（自动覆盖全部340+城市）# 选项二：自定义地域（只选你业务覆盖的城市）# 选项三：按省份展开（选一个省，自动列出所有地级市+区县）# 第三步：设置组合模式# 前缀模式：城市名 + 服务词 → "北京搬家"# 后缀模式：服务词 + 城市名 → "搬家北京"（搜索量通常低于前缀）# 中间插入：服务词 + 城市名 + 修饰词 → "搬家公司北京推荐"# 区县级：城市名 + 区县 + 服务词 → "北京朝阳搬家"# 第四步：导出结果# 导出CSV包含字段：关键词、百度PC指数、百度移动指数、# 搜索结果数（竞争度）、5118关键词难度、包含该词的前10名网站# 按移动指数降序排列，取前20%的词做重点页面

百度关键词规划师：地域定向精确到城市级别

百度关键词规划师的数据直接来自百度搜索，所以地域搜索量数据是最准确的。但它需要百度推广账号才能使用完整功能。

# 百度关键词规划师地域词操作# 第一步：登录百度营销（fengchao.baidu.com）→ 搜索推广 → 关键词规划师# 第二步：输入种子词 → 选择"地域定向"# 关键操作：在"地域"筛选项中，可以精确到地级市甚至区县# 选择你目标的城市（支持多选），系统只返回这些城市有搜索量的词# 第三步：查看数据维度# - 月均搜索量（可精确到城市级别）# - 竞争激烈程度（高/中/低）# - 推荐出价（做竞价的参考）# - 移动占比（移动端搜索比例）# 第四步：下载关键词报告# 右上角"下载"→选择"包含地域维度"→导出CSV# 这个CSV比5118多一个"城市-搜索量"的对应关系# 可以精确看到"北京搬家"和"上海搬家"的月搜索量差异

三、谷歌生态：海外地域关键词工具

Whitespark：本地SEO地域词挖掘的专用工具

如果说5118是国内地域词工具的标杆，Whitespark就是海外本地SEO的对应版本。它专门解决"城市+服务词"的组合挖掘问题，而且覆盖Google Maps的数据。

# Whitespark操作流程# 第一步：输入你的业务类型和服务城市# 例如：plumber（水管工）、城市选 Chicago# 第二步：Whitespark自动生成地域词组合# 前缀型：Chicago plumber, Chicago emergency plumber# 后缀型：plumber in Chicago, plumber near me Chicago# 长尾型：best plumber in Chicago, affordable plumber Chicago# 周边城市型：Evanston plumber, Oak Park plumber# 第三步：查看每个词的搜索量# 数据来源：Google Keyword Planner# 精确到城市级别的月搜索量# 同时显示Google Maps搜索量（这个其他工具没有）# 第四步：导出并做优先级排序# 搜索量高 + 竞争度低 = 优先做# 搜索量中 + 转化意图强（含"hire""near me""best"）= 第二优先级# 搜索量低但零竞争 = 可以做，但不优先

四、Python脚本批量生成地域词：不想花钱买工具的方案

如果你的城市列表和关键词列表都比较清晰，完全可以用Python自己跑。核心逻辑就是笛卡尔积组合。

# Python批量生成地域关键词 + 调用5118/百度API查搜索量import itertoolsimport pandas as pdimport requestsimport time# ===== 第一步：定义城市列表和关键词列表 =====cities = ["北京", "上海", "广州", "深圳", "杭州", "成都", "武汉", "南京","重庆", "苏州", "天津", "西安", "长沙", "郑州", "青岛", "东莞",# ... 扩展到340+城市]services = ["搬家", "保洁", "月嫂", "装修", "家电维修","空调清洗", "管道疏通", "开锁", "保姆", "甲醛检测"]# 区县级扩展districts = {"北京": ["朝阳区", "海淀区", "丰台区", "通州区", "大兴区", "昌平区"],"上海": ["浦东新区", "静安区", "徐汇区", "长宁区", "闵行区", "杨浦区"],"广州": ["天河区", "海珠区", "越秀区", "番禺区", "白云区", "黄埔区"],}modifiers = ["", "价格", "费用", "多少钱", "哪家好", "推荐","公司", "电话", "上门", "附近", "靠谱"]# ===== 第二步：组合生成关键词 =====keywords = []# 城市级：城市 + 服务for city, service in itertools.product(cities, services):keywords.append({"keyword": f"{city}{service}","type": "城市+服务","city": city,"service": service})# 区县级：城市 + 区县 + 服务for city, districts_list in districts.items():for district, service in itertools.product(districts_list, services):keywords.append({"keyword": f"{city}{district}{service}","type": "区县+服务","city": city,"district": district,"service": service})# 带修饰词：城市 + 服务 + 修饰词for city, service, mod in itertools.product(cities[:10], services[:5], modifiers):if mod:  # 跳过空修饰词（和上面重复）keywords.append({"keyword": f"{city}{service}{mod}","type": "城市+服务+修饰词","city": city,"service": service,"modifier": mod})df = pd.DataFrame(keywords)print(f"共生成 {len(df)} 个地域关键词")# ===== 第三步：去重 + 清洗 =====# 去除完全重复的df = df.drop_duplicates(subset=["keyword"])# 过滤掉明显不合理组合（如"上海管道疏通推荐"太长的去掉修饰词版本）# 这部分根据业务需要自己加规则# ===== 第四步：调用百度指数API验证搜索量（示例）=====# 百度指数API需要付费，5118也有开放API# 这里展示调用逻辑：def check_baidu_index(keyword, city_name):"""查询百度指数（需要5118或百度API key）"""# 伪代码，实际需要替换为真实API# response = requests.get(#     f"https://api.5118.com/keyword/index",#     params={"keyword": keyword, "city": city_name},#     headers={"Authorization": f"Bearer {API_KEY}"}# )# return response.json().get("pc_index", 0) + response.json().get("mobile_index", 0)return 0  # 占位# 实际使用时，批量调用API并记录搜索量# for idx, row in df.head(100).iterrows():#     df.at[idx, "search_volume"] = check_baidu_index(row["keyword"], row["city"])#     time.sleep(0.5)  # API频率限制# ===== 第五步：导出 =====df.to_csv("地域关键词组合.csv", index=False, encoding="utf-8-sig")print("已导出到 地域关键词组合.csv")

五、地域关键词的四步筛选法：生成10000个词只是开始

工具能帮你生成一万个地域关键词，但其中真正值得做内容的可能不到20%。筛选比生成更重要。

四步筛完之后，10000个词大概剩下1500-2000个。再按城市分组，每个城市挑搜索量最高的前10-15个词做重点页面。

六、地域关键词怎么落地：从词到页面的完整路径

方案A：手工建页面（城市数<20个）

如果你的业务只覆盖10-20个城市，每个城市手工建一个专题页面是最稳妥的。页面结构可以参考：

# 城市落地页内容框架（以"北京搬家"为例）URL: /beijing/banjia/Title: 北京搬家公司推荐_2026北京搬家价格多少钱_靠谱搬家公司电话H1: 北京搬家公司怎么选？（2026年价格+口碑推荐）页面结构：1. 北京搬家市场概况（100字）：北京搬家需求数据+常见痛点2. 北京搬家价格一览（表格）：不同房型/距离的价格区间3. 北京各区域搬家公司推荐（核心差异化内容）：- 朝阳区搬家推荐- 海淀区搬家推荐- ...（每个区一段话+1家推荐，不能是复制粘贴）4. 北京搬家注意事项（季节/时段/合同/保险）5. 北京搬家常见问题FAQ（5-8条，覆盖地域长尾词）6. CTA：获取报价 / 在线咨询# 关键：每个城市页面的差异化# 不能20个城市页面换城市名就发，谷歌会判定为"门页"(Doorway Page)# 差异化方式：# - 引用该城市真实的行业数据# - 提及该城市具体的地标/区域# - 展示该城市真实客户案例/评价# - 每个城市的FAQ不同

方案B：程序化SEO生成（城市数>50个）

如果业务覆盖50个以上城市甚至全国，手工建页面不现实，需要程序化SEO（Programmatic SEO）。核心思路：一套页面模板 + 一个数据表 = 批量生成差异化城市页面。

# 程序化SEO城市落地页生成（Python + 数据模板）import pandas as pdimport json# ===== 数据表：每个城市的差异化数据 =====city_data = [{"city": "北京", "service": "搬家","avg_price": "800-3000","popular_districts": ["朝阳区", "海淀区", "丰台区", "通州区"],"local_tip": "北京早晚高峰（7:00-9:00、17:00-19:00）搬家车辆限行，建议预约非高峰时段","local_data": "2026年北京市常住人口约2180万，每年搬家需求超50万次","customer_case": "上个月帮海淀区张先生从五道口搬到望京，两室一厅，3小时完成","faq": [{"q": "北京搬家周末可以搬吗？", "a": "可以，但周末需求量大，建议提前3-5天预约。"},{"q": "北京搬家车能进二环吗？", "a": "黄牌货车不能进二环，我们使用绿牌新能源货车，全城不限行。"},]},{"city": "上海", "service": "搬家","avg_price": "700-2800","popular_districts": ["浦东新区", "静安区", "徐汇区", "闵行区"],"local_tip": "上海老小区（尤其静安、徐汇）楼梯窄，大件家具可能需要吊装服务","local_data": "2026年上海市常住人口约2480万，每年搬家需求超60万次","customer_case": "上周帮徐汇区李女士从衡山路搬到浦东前滩，四室两厅，含钢琴搬运","faq": [{"q": "上海搬家下雨天能搬吗？", "a": "可以，我们会做好防水打包，小雨不影响搬家进度。"},{"q": "上海内环搬家有限行吗？", "a": "绿牌新能源货车24小时全城通行，不受限行影响。"},]},# ... 扩展到所有城市]# ===== 页面模板（Jinja2）=====# 模板伪代码，实际使用时用Jinja2或直接字符串拼接def generate_city_page(data):"""根据城市数据生成HTML页面"""districts_html = "".join([f"<li>{d}{data['service']}服务</li>" for d in data["popular_districts"]])faq_html = "".join([f"""<div class="faq-item"><h3>{f['q']}</h3><p>{f['a']}</p></div>""" for f in data["faq"]])page = f"""<title>{data['city']}{data['service']}公司推荐_{data['city']}{data['service']}价格多少钱_靠谱{data['service']}电话</title><h1>{data['city']}{data['service']}怎么选？{data['avg_price']}元搞定</h1><section><p>{data['local_data']}</p></section><section><h2>{data['city']}{data['service']}价格</h2><p>{data['city']}{data['service']}价格一般在{data['avg_price']}元之间</p></section><section><h2>{data['city']}各区{data['service']}服务</h2><ul>{districts_html}</ul></section><section><h2>{data['city']}{data['service']}注意事项</h2><div class="tip-box">{data['local_tip']}</div></section><section><h2>真实案例</h2><p>{data['customer_case']}</p></section><section><h2>{data['city']}{data['service']}常见问题</h2>{faq_html}</section>"""return page# ===== 批量生成所有城市页面 =====for city in city_data:html = generate_city_page(city)filename = f"pages/{city['city']}-{city['service']}.html"with open(filename, "w", encoding="utf-8") as f:f.write(html)print(f"已生成 {len(city_data)} 个城市页面")

七、GEO（生成式引擎优化）下的地域关键词新玩法

2025-2026年，百度和谷歌都在搜索结果中加入了AI生成的摘要（百度AI摘要、Google AI Overview）。地域关键词的流量入口正在从"排名前10的网页"变成"AI摘要里被引用的来源"。

GEO时代的地域关键词布局多了两个新要求：

八、跨平台的地域关键词策略：百度 vs 谷歌 vs 小红书 vs 抖音

不同平台上的用户搜地域词的方式完全不同。做地域关键词矩阵的时候，不能只用百度的词去套所有平台。

九、地域关键词的常见坑和检查清单

十、UC建站系统的地域关键词矩阵方案

最后说一句

地域关键词是本地SEO里性价比最高的流量入口。一个"北京搬家"排名前3的页面，每月能带来300-800个精准咨询——而且这些流量不用花一分钱广告费。但前提是：关键词挖得准、页面做得有差异化、不是200个城市复制粘贴。

工具方面，国内首选5118+百度关键词规划师+百度指数的组合，海外首选Whitespark+Google Keyword Planner+Ahrefs的组合。如果不想花钱，Python脚本也能解决80%的问题。关键是挖完词之后，筛选比生成更重要，页面质量比页面数量更重要。

500个有差异化内容的地域页面，效果远好于5000个只有城市名不一样的模板页面。搜索引擎不傻，用户也不傻。