surfup

在浏览器中从 sitemap 索引收集 URL

浏览器控制台脚本会跟随 robots.txt 中的 sitemap 索引,并下载去重后的 CSV。

将以下步骤作为工作清单,并根据项目的证据、范围和限制进行调整。

实用步骤

  • 打开目标网站上的一个页面,再打开浏览器开发者控制台。脚本从该网站的 robots.txt 开始查找。
  • 如果浏览器开发者工具禁止粘贴,请自行输入浏览器显示的确认短语。不要粘贴未经审查的代码。
  • 粘贴下面的完整脚本并按 Enter。脚本会读取 /robots.txt 中的 Sitemap 条目;如果没有找到,则尝试 /sitemap.xml。
  • 脚本会遍历嵌套的 sitemap 索引,收集页面 URL 和最后修改日期,移除重复 URL,并下载 sitemap-urls.csv。在受支持的浏览器中,它也会解压 gzip 格式的 sitemap 文件。
  • 如果服务器允许 CORS,脚本可以读取同源 sitemap 文件以及网站列出的跨域文件。请求不携带 cookies 或凭据。仅登录后可访问、被拦截或格式错误的文件会显示在控制台中。
  • 限制:最多 500 个 sitemap 文件、1,000,000 个 URL、每个 sitemap 文件解压后 25 MB,以及 3 分钟。如果达到任一限制,下载的 CSV 可能不完整。对于超大型网站,请改用爬虫或命令行解析器。

用户脚本工具与目录