surfup

ブラウザーでsitemapインデックスからURLを収集する

ブラウザーコンソールのスクリプトがrobots.txtにあるsitemapインデックスをたどり、重複を除いたCSVをダウンロードします。

以下の手順を作業用チェックリストとして使い、プロジェクトで確認できた根拠、対象範囲、制約に合わせて調整してください。

実務的な手順

  • 対象サイトのページを開き、ブラウザーの開発者コンソールを開きます。このスクリプトはサイトのrobots.txtから探索を始めます。
  • ブラウザーの開発者ツールが貼り付けを禁止する場合は、画面に表示された確認語句を自分で入力してください。確認していないコードを貼り付けないでください。
  • 下のスクリプト全体を貼り付けてEnterを押します。/robots.txt の Sitemap 項目を読み取り、見つからない場合は /sitemap.xml を試します。
  • 入れ子になったサイトマップインデックスをたどり、ページURLと最終更新日を集め、重複URLを除いて sitemap-urls.csv をダウンロードします。対応ブラウザーではgzip形式のサイトマップも展開します。
  • サーバーがCORSを許可していれば、同一オリジンのサイトマップファイルと、サイトが記載したクロスオリジンのファイルを読み取れます。リクエストにcookieや認証情報は含めません。ログイン必須、ブロック、形式不正のファイルはコンソールに表示します。
  • 上限はサイトマップファイル500件、URL 1,000,000件、展開後のファイル1件あたり25 MB、実行時間3分です。いずれかの上限に達すると、ダウンロードするCSVは一部のみになる場合があります。非常に大きなサイトでは、クローラーかコマンドラインのパーサーを使ってください。

ユーザースクリプトのツールとカタログ