Extractor de URL de sitemap
Reúna las direcciones de un sitemap en una lista, fíltrelas y descárguelas en TXT o CSV.
Herramienta
Esta herramienta toma un dominio o directamente la dirección de un sitemap y reúne las direcciones de página del mapa del sitio en una sola lista. Con un dominio, primero se leen las líneas Sitemap: de robots.txt y, si no hay, se prueba /sitemap.xml; si la dirección es un índice de sitemap, los archivos secundarios se leen en orden. De cada entrada se analizan los campos loc, lastmod, changefreq y priority; se resuelven las entidades XML y los prefijos de espacio de nombres, y las entradas recuperables de archivos con etiquetas de cierre ausentes o contenido cortado entran igualmente en la lista, con el problema anotado en la tarjeta del archivo.
Las casillas de resumen muestran el total de direcciones, el número de archivos leídos, las entradas sin lastmod, las direcciones que aparecen más de una vez y las entradas que apuntan fuera del dominio del sitemap; los grupos de rutas resumen cómo se reparten las direcciones según el primer segmento de ruta. La lista puede acotarse con un filtro de texto, copiarse solo como direcciones, una por línea, o descargarse en CSV con las columnas loc, lastmod, changefreq y priority. Este resultado sirve para hacer inventario antes de una migración, preparar una tabla de redirecciones, ver la estructura de páginas de un sitio competidor o alimentar una comprobación de enlaces rotos.
La herramienta lee como máximo 10 archivos de sitemap, toma los primeros 1,5 MB de cada uno y lista como máximo 5.000 direcciones; los recuentos cubren todas las entradas leídas y la parte listada se indica aparte. Los archivos comprimidos (.gz) se descomprimen; los que superan 8 MB una vez descomprimidos aparecen como error en la lista de archivos. No se comprueba si las direcciones realmente cargan ni si cumplen robots.txt; para eso use la Auditoría de robots.txt y sitemap, y el Generador de Sitemap para crear un archivo nuevo. Solo se lee la dirección introducida y el resultado se guarda en caché 10 minutos.
Preguntas frecuentes
¿Qué archivos de sitemap se leen?
Con un dominio, las líneas Sitemap: de robots.txt, o /sitemap.xml si no hay ninguna; con una dirección .xml directa, solo ese archivo y, si es un índice, sus archivos secundarios. En total se descargan como máximo 10 archivos.
Tengo más de 5.000 direcciones, ¿puedo obtenerlas todas?
Los recuentos cubren todas las entradas, pero la lista y los archivos de descarga se limitan a las primeras 5.000 direcciones. En sitios más grandes, introduzca uno a uno los archivos secundarios del índice y descargue cada uno por separado.
¿Qué cuenta como dirección duplicada?
La misma dirección en varios archivos o varias veces en el mismo archivo; se conserva la primera aparición y el resto va al contador de duplicados. El protocolo sitemap espera cada dirección una sola vez.
¿Se guarda la dirección que introduzco?
No de forma permanente; si la misma dirección se consulta de nuevo en poco tiempo, el resultado se mantiene unos 10 minutos en la memoria del servidor para responder más rápido y después se borra.
