Validator Sitemap.xml – Skutečná kontrola dodržování protokolu

Soubor sitemap.xml může být perfektně strukturované XML, a přesto může být jako sitemap rozbitý: chybějící jmenný prostor xmlns, relativní URL v <loc>, <priority> nastavené na „1,5“ nebo <changefreq> „Daily“ místo „daily“ – to vše projde běžným XML validátorem, ale v tichosti selže u skutečného protokolu sitemap, který očekává Google, Bing a každý další konzument souboru. Tento nástroj parsuje vaši vloženou nebo nahranou sitemap pomocí nativního DOMParseru prohlížeče a kontroluje ji podle skutečných pravidel publikovaných na sitemaps.org: kořenový prvek musí být <urlset> pro běžnou sitemap nebo <sitemapindex> pro index sitemap (automaticky rozpoznáno), ideálně deklarovaný s přesným jmenným prostorem http://www.sitemaps.org/schemas/sitemap/0.9, a každý <url> (nebo <sitemap> v indexovém souboru) musí obsahovat <loc>, který je platnou absolutní http/https URL.

Kromě struktury protokol také dokumentuje pevné limity a přesné formáty polí, které tento nástroj kontroluje položku po položce. Jeden soubor sitemap nesmí obsahovat více než 50 000 URL a nesmí přesáhnout 50 MB v nekomprimované podobě – limity, které platí i pro soubory indexu sitemap, kde se počítají položky <sitemap> místo <url> – a tento nástroj měří váš skutečný vložený/nahraný obsah vůči oběma. Každý <lastmod>, pokud je uveden, je kontrolován podle skutečných formátů W3C-datetime, které specifikace akceptuje: holé datum (RRRR-MM-DD) nebo úplné časové razítko s hodinami, minutami, volitelnými sekundami a povinným označením časové zóny. Každá <priority>, pokud je uvedena, musí být desetinné číslo mezi 0,0 a 1,0 a každá <changefreq> musí být přesně jedna ze sedmi hodnot definovaných specifikací – always, hourly, daily, weekly, monthly, yearly, never – nikoli podobně vypadající synonymum. Každé porušení uvádí číslo konkrétní položky a její skutečnou hodnotu, s omezením na 50 zobrazených prohřešků na pravidlo a poznámkou „+N dalších“, aby zpráva zůstala čitelná i u sitemap blížících se limitu URL.

Dvě kontroly jdou nad rámec toho, co vyžaduje psaný protokol, ale zachycují skutečné, běžné problémy: histogram aktuálnosti <lastmod> seskupuje všechna platná data poslední změny podle měsíců, takže na první pohled vidíte, zda je obsah webu skutečně udržován aktuální, nebo zda většina URL nese zastaralé časové razítko z minulých let, a detektor duplicitních <loc> označí jakoukoli URL uvedenou ve stejném souboru vícekrát – častý vedlejší efekt generátorů sitemap, které slučují více zdrojů bez deduplikace. Vše běží lokálně: parsování, kontrola pravidel i histogram se počítají ve vašem prohlížeči z textu, který jste vložili, nebo ze souboru, který jste nahráli přes File API, nic se nestahuje ani neodesílá na server a žádná jednotlivá URL ve vaší sitemap není nikdy požadována ani procházena – tento nástroj kontroluje samotný dokument sitemap, nikoli to, zda stránky, které uvádí, skutečně existují nebo vracejí 200 OK.