Sitemap XML链接提取器

提取目标只有XML里的loc文本

粘贴含有三个<loc>节点的Sitemap XML，右侧会按原顺序列出三行地址并显示“提取到3个链接”。页面读取的是XML文本内容，而不是访问这些网址；<lastmod>、<changefreq>、<priority>等字段不会进入结果。

普通页面Sitemap以<urlset>为根，每个<url>下的<loc>表示页面地址。Sitemap索引以<sitemapindex>为根，每个<sitemap>下的<loc>表示子Sitemap地址。提取器会收集两类文档中的未加前缀loc节点，因此必须先看根元素，才能判断输出是页面URL还是子地图URL。

结果数量不等于有效页面数量

合法XML中的&会作为实体解析并在结果文本中显示为&。若XML整体不良构，页面还会尝试从简单的、小写且完整闭合的<loc>...</loc>片段中取值；这只能用于抢救简单片段，不能替代XML校验。

从源代码到每行一个地址

1. 复制Sitemap的XML正文

   输入区需要的是以<urlset>或<sitemapindex>开头的内容，不是https://example.com/sitemap.xml这一条地址。该页面不会根据网址下载文件。

2. 粘贴或载入内置样例

   内容进入输入区后会自动解析。字符计数可用于确认长文本是否完整粘贴；“清空”可移除整段输入。

3. 先看根元素，再看数量

   urlset输出通常是页面地址，sitemapindex输出则是下一层文件地址。右侧计数是提取到的条目数，包含重复值。

4. 复制结果并另行检查

   结果区按一行一个值展示，可使用复制按钮。后续若要检查状态码、规范化URL、去重或抓取子Sitemap，需要在其他审计流程中完成。

普通Sitemap与索引文件示例

普通Sitemap片段：

<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
  <url><loc>https://example.com/</loc></url>
  <url><loc>https://example.com/about</loc></url>
</urlset>

预期得到两行页面地址。若改成<sitemapindex><sitemap><loc>https://example.com/posts.xml</loc></sitemap></sitemapindex>，则只得到子Sitemap地址https://example.com/posts.xml；提取器不会继续打开它。

提取结果与Sitemap结构疑问

提取、抓取与收录是三件不同的事

• 列出loc只说明该文本存在于输入内容中，不证明URL可访问、内容可索引或已经被搜索引擎收录。
• 页面不读取远程地址、不递归Sitemap索引、不解压.xml.gz文件，也不导出lastmod等元数据。
• 命名空间前缀写成<sm:loc>、标签使用大写、标签带属性或XML严重破损时，宽松片段提取可能漏项；应优先修复并提交良构XML。
• 结果不做URL规范化或安全审查。复制到爬虫、脚本或批量请求程序前，应确认域名、协议、权限与请求范围，避免访问无授权资源。
• 很大的XML文本会消耗当前浏览器页面的内存。先保留源文件，必要时按Sitemap索引拆分核对。

Sitemap协议依据