Estrattore URL da sitemap
Raccolga gli indirizzi di una sitemap in un elenco, li filtri e li scarichi in TXT o CSV.
Strumento
Questo strumento riceve un dominio o direttamente l'indirizzo di una sitemap e raccoglie gli indirizzi di pagina della mappa del sito in un unico elenco. Con un dominio vengono lette prima le righe Sitemap: del robots.txt e, se mancano, si prova /sitemap.xml; se l'indirizzo è un indice sitemap, i file secondari vengono letti in ordine. Per ogni voce vengono analizzati i campi loc, lastmod, changefreq e priority; le entità XML e i prefissi di namespace vengono risolti, e le voci recuperabili da file con tag di chiusura mancanti o contenuto troncato entrano comunque nell'elenco, con il problema segnalato nella scheda del file.
Le caselle di riepilogo mostrano il totale degli indirizzi, il numero di file letti, le voci senza lastmod, gli indirizzi presenti più volte e le voci che puntano fuori dal dominio della sitemap; i gruppi di percorso riassumono come gli indirizzi si distribuiscono per primo segmento di percorso. L'elenco può essere ridotto con un filtro di testo, copiato come soli indirizzi, uno per riga, o scaricato in CSV con le colonne loc, lastmod, changefreq e priority. Questo risultato serve a fare l'inventario prima di una migrazione, preparare una tabella di reindirizzamenti, osservare la struttura delle pagine di un sito concorrente o alimentare una verifica dei link rotti.
Lo strumento legge al massimo 10 file sitemap, prende i primi 1,5 MB di ciascuno ed elenca al massimo 5.000 indirizzi; i conteggi riguardano tutte le voci lette e la parte elencata è indicata a parte. I file compressi (.gz) vengono decompressi; quelli che superano 8 MB una volta decompressi compaiono come errore nell'elenco dei file. Non viene verificato se gli indirizzi rispondono davvero né se rispettano il robots.txt; per questo usi il Controllo robots.txt e sitemap, e il Generatore di Sitemap per creare un nuovo file. Viene letto solo l'indirizzo inserito e il risultato resta in cache per 10 minuti.
Domande frequenti
Quali file sitemap vengono letti?
Con un dominio, le righe Sitemap: del robots.txt, oppure /sitemap.xml se non ce ne sono; con un indirizzo .xml diretto, solo quel file e, se è un indice, i suoi file secondari. In totale vengono scaricati al massimo 10 file.
Ho più di 5.000 indirizzi, posso ottenerli tutti?
I conteggi riguardano tutte le voci, ma l'elenco e i file scaricati si fermano ai primi 5.000 indirizzi. Per siti più grandi inserisca uno alla volta i file secondari dell'indice e scarichi ciascuno separatamente.
Cosa conta come indirizzo duplicato?
Lo stesso indirizzo presente in più file o più volte nello stesso file; viene tenuta la prima occorrenza e il resto va al contatore dei duplicati. Il protocollo sitemap prevede ogni indirizzo una sola volta.
L'indirizzo che inserisco viene salvato?
Non in modo permanente; se lo stesso indirizzo viene richiesto di nuovo a breve, il risultato resta circa 10 minuti nella memoria del server per rispondere più in fretta, poi viene cancellato.
