surfup

在瀏覽器中從 sitemap 索引收集 URL

瀏覽器主控台腳本會追蹤 robots.txt 中的 sitemap 索引,並下載去重後的 CSV。

請將以下步驟作為工作檢查清單,並依據專案的證據、範圍與限制調整。

實用步驟

  • 開啟目標網站的一個頁面,再開啟瀏覽器開發人員主控台。此指令碼會從該網站的 robots.txt 開始查找。
  • 如果瀏覽器開發人員工具禁止貼上內容,請自行輸入瀏覽器顯示的確認詞句。不要貼上未經審查的程式碼。
  • 貼上以下完整指令碼並按 Enter。它會讀取 /robots.txt 中的 Sitemap 項目;若找不到,則會嘗試 /sitemap.xml。
  • 此指令碼會逐一處理巢狀 sitemap 索引,收集頁面網址和最後修改日期、移除重複網址,並下載 sitemap-urls.csv。在支援的瀏覽器中,它也會解壓縮 gzip 格式的 sitemap 檔案。
  • 如果伺服器允許 CORS,指令碼可以讀取同源 sitemap 檔案,以及網站列出的跨網域檔案。請求不會帶上 cookies 或憑證。僅限登入、遭封鎖或格式錯誤的檔案會顯示在主控台中。
  • 限制:最多 500 個 sitemap 檔案、1,000,000 個網址、每個 sitemap 檔案解壓縮後 25 MB,以及 3 分鐘。如果達到任何一項限制,下載的 CSV 可能不完整。對於超大型網站,請改用爬蟲或命令列解析器。

使用者指令碼工具與目錄