Walidator Sitemap.xml — narzędzie do sprawdzania zgodności protokołu rzeczywistego

Plik sitemap.xml może mieć doskonale sformułowany kod XML i nadal być uszkodzoną mapą witryny: brakująca przestrzeń nazw xmlns, względny adres URL <loc>, <priority> wynoszący „1,5” lub <changefreq> wynoszący „Daily” zamiast „dayly” – wszystko to przejdzie przez ogólny moduł sprawdzania poprawności XML, cicho nie spełniając rzeczywistego protokołu mapy witryny, jakiego oczekują Google, Bing i każdy inny użytkownik pliku. To narzędzie analizuje wklejoną lub przesłaną mapę witryny za pomocą natywnego DOMParsera przeglądarki i sprawdza ją pod kątem rzeczywistych zasad opublikowanych na sitemaps.org: elementem głównym musi być <urlset> w przypadku zwykłej mapy witryny lub <sitemapindex> w przypadku indeksu mapy witryny (wykrywanego automatycznie), najlepiej zadeklarowanego z dokładną przestrzenią nazw http://www.sitemaps.org/schemas/sitemap/0.9 i każdym <url> (lub <sitemap> w plik indeksu) musi zawierać <loc>, który prowadzi do prawdziwego, bezwzględnego adresu URL http/https.

Oprócz struktury protokół dokumentuje również twarde limity i dokładne formaty pól, które to narzędzie sprawdza pole po polu. Pojedynczy plik mapy witryny nie może zawierać więcej niż 50 000 adresów URL i nie może przekraczać 50 MB po nieskompresowaniu – limity dotyczą również plików indeksu map witryn, zliczając wpisy <sitemap> zamiast wpisów <url> – a to narzędzie mierzy rzeczywistą wklejoną/przesłaną treść w odniesieniu do obu. Każdy <lastmod>, jeśli jest obecny, jest porównywany z rzeczywistymi formatami daty i godziny W3C akceptowanymi przez specyfikację: samą datą (RRRR-MM-DD) lub pełnym znacznikiem czasu z godzinami, minutami, opcjonalnymi sekundami i obowiązkowym oznaczeniem strefy czasowej. Każdy <priority>, jeśli jest obecny, musi być liczbą dziesiętną z zakresu od 0,0 do 1,0, a każdy <changefreq> musi być dokładnie jedną z siedmiu wartości zdefiniowanych przez specyfikację — zawsze, co godzinę, codziennie, co tydzień, co miesiąc, co rok, nigdy — a to nie jest wiarygodnie wyglądający synonim. Przy każdym naruszeniu jest podany numer wpisu i jego rzeczywista wartość, ograniczona do 50 pokazanych sprawców na regułę, z dopiskiem „+N więcej”, dzięki czemu raport pozostaje czytelny nawet na mapie witryny w pobliżu limitu adresu URL.

Dwie kontrole wykraczają poza wymagania pisemnego protokołu, ale wychwytują rzeczywiste, typowe problemy: histogram świeżości <lastmod> grupuje każdą prawidłową datę ostatniej modyfikacji według miesiąca, dzięki czemu można szybko sprawdzić, czy zawartość witryny jest rzeczywiście aktualna lub czy większość adresów URL ma nieaktualny znacznik czasu sprzed lat, a detektor duplikatów <loc> oznacza każdy adres URL wymieniony więcej niż raz w tym samym pliku — częsty efekt uboczny generatorów map witryn, które łączą wiele źródeł bez usuwania duplikatów. Wszystko działa lokalnie: parsowanie, sprawdzanie reguł i histogram są obliczane w przeglądarce na podstawie wklejonego tekstu lub pliku przesłanego za pośrednictwem interfejsu File API, nic nie jest pobierane ani przesyłane na serwer, a żaden indywidualny adres URL w mapie witryny nie jest nigdy żądany ani indeksowany — to narzędzie sprawdza sam dokument mapy witryny, a nie to, czy wymienione w nim strony faktycznie istnieją, ani nie zwraca 200 OK.