Validador Sitemap.xml: verificador de cumplimiento del protocolo real

Un archivo sitemap.xml puede ser un XML perfectamente bien formado y seguir siendo un mapa del sitio roto: un espacio de nombres xmlns faltante, una URL <loc> relativa, una <prioridad> de "1.5" o una <changefreq> de "Diario" en lugar de "diario" pasarán un validador XML genérico y fallarán silenciosamente en el protocolo de mapa de sitio real que esperan Google, Bing y todos los demás consumidores del archivo. Esta herramienta analiza su mapa de sitio pegado o cargado con el DOMParser nativo del navegador y lo compara con las reglas reales publicadas en sitemaps.org: el elemento raíz debe ser <urlset> para un mapa de sitio normal o <sitemapindex> para un índice de mapa de sitio (detectado automáticamente), idealmente declarado con el espacio de nombres exacto http://www.sitemaps.org/schemas/sitemap/0.9, y cada <url> (o <sitemap>, en un archivo de índice) debe contener un <loc> que se resuelva en una URL http/https absoluta genuina.

Más allá de la estructura, el protocolo también documenta límites estrictos y formatos de campo precisos que esta herramienta verifica campo por campo. Un único archivo de mapa del sitio no debe incluir más de 50 000 URL y no debe exceder los 50 MB sin comprimir (límites que también se aplican a los archivos de índice del mapa del sitio, contando las entradas <sitemap> en lugar de las entradas <url>) y esta herramienta mide el contenido real pegado/cargado en comparación con ambos. Cada <lastmod>, si está presente, se compara con los formatos de fecha y hora reales del W3C que acepta la especificación: una fecha básica (AAAA-MM-DD) o una marca de tiempo completa con horas, minutos, segundos opcionales y un designador de zona horaria obligatorio. Cada <prioridad>, si está presente, debe ser un decimal entre 0,0 y 1,0, y cada <cambiofreq> debe ser exactamente uno de los siete valores que define la especificación (siempre, hora, diario, semanal, mensual, anual, nunca) y no es un sinónimo que parezca plausible. Cada infracción nombra el número de entrada específico y su valor real, con un límite de 50 infractores mostrados por regla con una nota "+N más" para que el informe siga siendo legible incluso en un mapa del sitio cerca del límite de URL.

Dos comprobaciones van más allá de lo que requiere el protocolo escrito, pero detectan problemas reales y comunes: un histograma de actualización <lastmod> agrupa cada fecha válida de última modificación por mes para que pueda ver de un vistazo si el contenido de un sitio realmente se mantiene actualizado o si la mayoría de las URL tienen una marca de tiempo obsoleta de hace años, y un detector de duplicados <loc> marca cualquier URL enumerada más de una vez en el mismo archivo, un efecto secundario frecuente de los generadores de mapas de sitios que fusionan múltiples fuentes sin deduplicar. Todo se ejecuta localmente: el análisis, la verificación de reglas y el histograma se calculan en su navegador a partir del texto que pegó o del archivo que cargó a través de File API, no se recupera ni se carga nada en un servidor, y nunca se solicita ni rastrea ninguna URL individual en su mapa del sitio; esta herramienta verifica el documento del mapa del sitio en sí, no si las páginas que enumera realmente existen o devuelven 200 OK.