Массовое вытаскивание урлов из нескольких xml карт сайта

Периодически приходится решать достаточно интересные задачи, а иногда достаточно нудные и скучные, когда надо просто механически повторять один и тот же порядок действий, и длиться это может достаточно долго. что отнимает ресурс в виде времени.

Ну а зачем тратить час на ручную работу, если можно потратить 2 часа на то, чтобы это автоматизировать, правда? Сказал бы я вот так и потратил бы на это часа три, а то и четыре. Но слава нейросетям, помогают сократить это время до минимума.

Суть задачи — надо вытащить урлы из xml карты сайта, но карта разбита на несколько мелких карт по 1000 урлов, соответственно это осложняет процесс загрузки этих урлов.

Резонный вопрос, а на кой ляд тебе понадобились эти урлы? Для того, чтобы отправить их на индексацию через Google Indexing API, как я это называю — принудительная отправка на индексацию большого массива.

Можно пойти простым путем, открывать каждый урл руками, сохранять его как xml на своем компьютере, далее собрать их все в одну папку и открыть принудительно все скопом через Power Query (кто не знает. что есть такая офигенная штука у Гугл таблиц — с добрым утром, рекомендую погуглить).

Но открыть 100 ссылок руками — ну такое, правда? Поэтому, за 1 минуту был сгенерирован скрипт на Питоне, которые решил задачу за 1,5 минуты. Мне не понадобилось много времени, скрипт заработал со второго раза, поэтому я делюсь им с вами, может кому будет полезен.

Настройка

Для начала необходимо установить на свой компьютер необходимые для работы модули, для чего надо открыть командную строку

Для Винды

Открытие через диалоговое окно «Выполнить»:

• Нажмите комбинацию клавиш Win + R для открытия диалогового окна «Выполнить».

• Введите cmd и нажмите Enter.

Для Мака

Открытие через Spotlight:

• Нажмите комбинацию клавиш Cmd + Space, чтобы открыть Spotlight.

• Введите Terminal и нажмите Enter.

В командной строке выполните следующие команды

pip install requests pip install beautifulsoup4

Если эти пакеты у вас установлены, проверьте обновление

pip install --upgrade requests pip install --upgrade beautifulsoup4

После этого создайте папку где у вас будет лежать наш скрипт и создайте там файл с разрешением .py. В моем случае это файл — script.py.

Откройте скрипт через текстовый редактор (я использую notepad++) и добавьте в файл этот код.

import requests from bs4 import BeautifulSoup  # Функция для загрузки и парсинга карты сайта с заголовками def fetch_sitemap_urls(sitemap_url):     headers = {         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',         'Accept-Language': 'en-US,en;q=0.9',         'Accept-Encoding': 'gzip, deflate, br',         'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',         'Connection': 'keep-alive',         'Upgrade-Insecure-Requests': '1',     }     try:         response = requests.get(sitemap_url, headers=headers)         response.raise_for_status()  # Проверка статуса HTTP         soup = BeautifulSoup(response.content, 'xml')         urls = [loc.text for loc in soup.find_all('loc')]         if not urls:             print(f"Не удалось найти URL в {sitemap_url}")         return urls     except requests.exceptions.RequestException as e:         print(f"Ошибка при загрузке {sitemap_url}: {e}")         return []  # Список URL-адресов карт сайта sitemap_urls = [     'https://site.com/sitemap2.xml',     'https://site.com/sitemap1.xml',     # Добавьте сюда дополнительные URL-адреса карт сайта ]  # Массив для хранения всех URL all_urls = []  # Обработка каждой карты сайта for sitemap_url in sitemap_urls:     print(f"Загрузка {sitemap_url}")     urls = fetch_sitemap_urls(sitemap_url)     all_urls.extend(urls)  # Сохранение всех URL в файл with open('all_urls.txt', 'w') as file:     for url in all_urls:         file.write(url + '\n')  print(f"Все URL успешно загружены и сохранены в all_urls.txt. Всего URL: {len(all_urls)}")

Обязательно замените на свои УРЛы после 28-29 строки.

Запускаете скрипт там же, в командной строке. Переходите в вашу папку, где лежит скрипт

cd d:/script

Далее запускаете скрипт такой командой

python script.py

Все урлы будут сохранены в этой же папке в файле result

Удачной автоматизации!