Extracteur d'URL de Sitemap
Comment utiliser Extracteur d'URL de Sitemap
- 1
Fournissez votre sitemap
Collez le XML brut de votre sitemap dans la zone XML, ou saisissez une URL de sitemap pour le récupérer automatiquement.
- 2
Extrayez les URL
Cliquez sur « Extraire les URL » pour le XML collé, ou sur « Récupérer et extraire » pour télécharger et analyser un sitemap à partir de son URL.
- 3
Examinez les résultats
Chaque lien trouvé dans les balises <loc> est listé dans la zone de résultats, accompagné du nombre total.
- 4
Copiez ou téléchargez
Utilisez « Copier dans le presse-papiers » ou « Télécharger en fichier texte » pour enregistrer la liste d'URL extraites.
Travailler avec les sitemaps XML : extraction et audit
Qu'est-ce qu'un sitemap XML
Un sitemap XML est un fichier structuré qui liste les URL que vous voulez faire connaître aux moteurs de recherche, enveloppées dans un élément urlset où chaque page correspond à une entrée url. Le seul enfant obligatoire de chaque entrée est la balise loc, qui contient l'URL absolue de la page ; des balises facultatives comme lastmod, changefreq et priority fournissent des indications sur la fraîcheur et l'importance. Les moteurs de recherche considèrent le sitemap comme une aide à la découverte et un ensemble de suggestions, et non d'ordres : lister une URL ne force donc pas son exploration ni son indexation, mais rend l'URL bien plus facile à trouver.
Comme la balise loc est l'endroit où réside chaque URL réelle, extraire le contenu de toutes les balises loc vous donne un inventaire propre et complet des pages qu'un site signale aux moteurs de recherche. Cet inventaire est le point de départ d'un large éventail de tâches de SEO et de migration, et c'est exactement ce que produit cet extracteur.
Fichiers d'index de sitemap et sitemaps imbriqués
Les grands sites utilisent rarement un seul sitemap à plat. Ils recourent plutôt à un fichier d'index de sitemap, un élément sitemapindex dont chaque entrée pointe vers un autre fichier sitemap plutôt que vers une page. Une configuration typique peut comporter un index qui référence des sitemaps distincts pour les articles, les pages, les produits et les images. Lorsque vous extrayez les URL d'un fichier d'index, les balises loc obtenues sont les URL des sitemaps enfants, et non des pages individuelles : vous devrez donc peut-être extraire à tour de rôle chaque sitemap enfant pour atteindre les véritables URL de pages.
Reconnaître si vous avez affaire à un index ou à un sitemap terminal représente la moitié du travail. Si les URL extraites se terminent toutes par .xml ou .xml.gz, vous tenez un index et devez descendre d'un niveau. Si elles pointent vers des pages HTML ordinaires, vous avez atteint le véritable contenu.
Les limites de 50 000 URL et 50 Mo
Le protocole sitemap limite un fichier sitemap unique à 50 000 URL et 50 Mo non compressés. Les sites qui dépassent l'une ou l'autre de ces limites doivent répartir leurs URL sur plusieurs fichiers sitemap et les relier par un index de sitemap, ce qui est la principale raison pour laquelle les grands sites utilisent des fichiers d'index. Connaître ces limites vous aide à vérifier la cohérence de ce que vous extrayez : si un sitemap unique renvoie bien plus de 50 000 URL, il est mal formé, et si un grand site n'expose qu'un seul petit sitemap, il est probablement incomplet et omet des pages.
Ces plafonds influencent aussi la façon d'auditer. Lorsque vous récupérez une liste complète d'URL et que le total se situe étrangement près d'un chiffre rond comme 50 000, c'est un signal fort que le site a atteint la limite et que d'autres URL sont coincées dans des sitemaps que vous n'avez pas encore extraits.
Sitemaps compressés au format gzip
Pour rester sous la limite de taille et économiser de la bande passante, de nombreux sitemaps sont diffusés compressés au format gzip avec une extension .xml.gz. Un sitemap compressé au format gzip n'est qu'un sitemap XML normal qui a été compressé ; les moteurs de recherche le décompressent de façon transparente. Lorsque vous en récupérez un avec cet outil, le serveur se charge du téléchargement, mais si vous inspectez un fichier .gz à la main, vous verrez du charabia binaire plutôt que du XML lisible tant qu'il n'est pas décompressé. Si vous collez le contenu directement, collez le XML décompressé, et non les octets compressés bruts.
La compression est une simple optimisation de transport et ne change rien à la structure interne. Une fois décompressé, un sitemap gzip possède les mêmes éléments urlset, url et loc que n'importe quel autre, et la même logique d'extraction s'applique.
Pourquoi extraire les URL d'un sitemap est si utile
Une liste à plat de chaque URL qu'un site publie est la colonne vertébrale du travail SEO concret. Lors d'une migration de site, vous extrayez le sitemap de l'ancien site pour construire une carte de redirections complète afin qu'aucune URL ne finisse en 404. Pour un audit de contenu, la liste alimente un crawler ou un tableur où vous pouvez vérifier les codes de statut, les titres et le nombre de mots page par page. Pour les vérifications d'indexation, vous pouvez comparer les URL que vous soumettez à celles que la Search Console signale comme indexées, et l'écart vous indique quelles pages Google ignore.
La liste sert aussi de point d'entrée aux outils de traitement en masse. Vous pouvez injecter les URL extraites dans un crawler comme Screaming Frog, dans un vérificateur de liens, dans un outil d'audit de performance ou dans un script qui sonde les en-têtes HTTP de chaque URL. Partir de la liste de sitemap canonique, plutôt que d'explorer à l'aveugle, garantit que vous auditez exactement les pages que le site entend exposer.
Pièges courants lors de l'extraction
La surprise la plus fréquente consiste à extraire un fichier d'index et à croire que le site ne compte qu'une poignée de pages, alors qu'en réalité ces quelques URL sont des sitemaps enfants contenant chacun des milliers de pages. Vérifiez toujours si vos résultats sont des sitemaps ou de vraies pages avant de tirer des conclusions. Un deuxième piège consiste à supposer que le sitemap est exhaustif : de nombreux systèmes de gestion de contenu génèrent des sitemaps qui omettent certains types de pages, des archives paginées ou du contenu récemment publié ; un sitemap constitue donc un plancher des URL d'un site, et non un recensement complet.
Parmi les autres écueils figurent des dates lastmod obsolètes qui ne reflètent pas de réels changements, des URL du sitemap qui ne renvoient plus de code 200 (pages orphelines ou supprimées qui n'ont jamais été élaguées), et des incohérences de protocole ou d'hôte où le sitemap liste des URL en http alors que le site est passé en https. Extraire les URL est la partie facile ; la valeur vient du recoupement de cette liste avec ce que le serveur sert réellement.
Intégrer l'extraction à un flux de travail SEO
Un flux de travail propre et reproductible ressemble à ceci : trouvez le sitemap, généralement lié depuis robots.txt ou situé au chemin conventionnel /sitemap.xml ; extrayez les URL en traversant les éventuels fichiers d'index jusqu'à atteindre de vraies pages ; exportez la liste dans un fichier texte ; puis injectez-la dans l'outil d'audit ou de migration que vous utilisez. Comme cet extracteur sait à la fois analyser du XML collé et récupérer un sitemap par son URL, vous pouvez passer d'un sitemap brut à une liste d'URL exploitable en quelques secondes, sans écrire la moindre ligne de code.
Effectuez l'extraction périodiquement plutôt qu'une seule fois. Comparer la liste d'URL d'aujourd'hui à celle du mois dernier fait ressortir les pages récemment publiées, les pages discrètement supprimées et les changements structurels du site, autant de signaux précoces utiles aussi bien pour la santé SEO que pour la gouvernance du contenu.
Questions fréquentes
Comment l'extracteur d'URL de sitemap trouve-t-il les liens ?
Puis-je coller du XML ou charger un sitemap depuis une URL ?
Que se passe-t-il si mon XML est invalide ou ne contient aucune URL ?
Puis-je exporter les URL extraites ?
L'outil est-il gratuit et mes données sont-elles confidentielles ?
Outils similaires
Continuez avec ces outils pratiques