surfup

รวบรวม URL จาก sitemap index ในเบราว์เซอร์

สคริปต์ในคอนโซลเบราว์เซอร์ไล่ตาม sitemap index จาก robots.txt และดาวน์โหลด CSV ที่ตัด URL ซ้ำออกแล้ว

ใช้ขั้นตอนเหล่านี้เป็นรายการตรวจสอบสำหรับการทำงาน และปรับให้เหมาะกับหลักฐาน ขอบเขต และข้อจำกัดของโครงการ

ขั้นตอนปฏิบัติ

  • เปิดหน้าหนึ่งบนเว็บไซต์เป้าหมาย แล้วเปิด developer console ของเบราว์เซอร์ สคริปต์นี้เริ่มจาก robots.txt ของเว็บไซต์นั้น
  • หากเครื่องมือสำหรับนักพัฒนาของเบราว์เซอร์บล็อกการวางโค้ด ให้พิมพ์วลีที่เบราว์เซอร์แสดงเพื่อยืนยันด้วยตนเอง ห้ามวางโค้ดที่ยังไม่ได้ตรวจสอบ
  • วางสคริปต์ทั้งหมดด้านล่างแล้วกด Enter สคริปต์อ่านรายการ Sitemap จาก /robots.txt หากไม่พบ จะลอง /sitemap.xml
  • สคริปต์ติดตาม sitemap index ที่ซ้อนกัน รวบรวม URL ของหน้าและวันที่แก้ไขล่าสุด ลบ URL ซ้ำ และดาวน์โหลด sitemap-urls.csv นอกจากนี้ยังคลายการบีบอัดไฟล์ sitemap แบบ gzip ในเบราว์เซอร์ที่รองรับ
  • สคริปต์อ่านไฟล์ sitemap จาก origin เดียวกันและไฟล์ข้าม origin ที่เว็บไซต์ระบุไว้ได้เมื่อเซิร์ฟเวอร์อนุญาต CORS คำขอไม่ส่ง cookies หรือ credentials ไฟล์ที่ต้องลงชื่อเข้าใช้ ถูกบล็อก หรือมีรูปแบบผิดจะแสดงใน console
  • ข้อจำกัด: ไฟล์ sitemap 500 ไฟล์, URL 1,000,000 รายการ, ข้อมูลที่คลายการบีบอัด 25 MB ต่อไฟล์ sitemap และเวลา 3 นาที หากถึงขีดจำกัด CSV ที่ดาวน์โหลดอาจมีข้อมูลไม่ครบ สำหรับเว็บไซต์ขนาดใหญ่มาก ให้ใช้ crawler หรือ parser บรรทัดคำสั่งแทน

เครื่องมือและแค็ตตาล็อก Userscript