sitemap.xml 怎么生成：格式、限制与提交

一、最小格式

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
  <url>
    <loc>https://www.it586.cn/tools/json-format.html</loc>
    <lastmod>2026-11-03</lastmod>
    <changefreq>monthly</changefreq>
    <priority>0.8</priority>
  </url>
</urlset>

• <loc> 必填，必须是完整绝对 URL（含协议），且与页面 canonical 一致。
• <lastmod> 是最后修改时间，格式 YYYY-MM-DD 或完整 ISO 8601。
• <changefreq> / <priority> 现在基本被主流搜索引擎忽略，写了无害但别指望它影响排名。

二、lastmod 别乱写

这是最容易犯的错：每次生成 sitemap 都把 lastmod 更新成「今天」。后果是爬虫每次来都发现「所有页面都变了」，要么浪费抓取配额，要么逐渐不信任这个字段。

正确做法：

• 用内容真实的更新时间（文件 mtime、数据库 updated_at）。
• 内容没变就不更新。
• 全站同时刷新为同一天，等于告诉爬虫「这个字段不可信」。

三、规模限制与索引文件

单个 sitemap 限制：最多 50000 条 URL，未压缩不超过 50MB。超过要拆分，并用索引文件汇总：

<?xml version="1.0" encoding="UTF-8"?>
<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
  <sitemap>
    <loc>https://www.it586.cn/sitemap-tools.xml</loc>
    <lastmod>2026-11-03</lastmod>
  </sitemap>
  <sitemap>
    <loc>https://www.it586.cn/sitemap-articles.xml</loc>
  </sitemap>
</sitemapindex>

索引文件本身也可以再嵌套（最多两层）。大站按内容类型或月份拆分最便于维护。

四、怎么让搜索引擎知道

1. robots.txt 声明（最通用）：

   Sitemap: https://www.it586.cn/sitemap.xml

1. 站长平台提交：百度搜索资源平台、Google Search Console、Bing Webmaster 都可以手动提交，能看到抓取与索引状态。
2. 主动推送 API：比 sitemap 更快，适合新页面抢时效（用站长平台的主动推送 API 或自写脚本，思路相同）。

三者不冲突，建议都做：API 抢新页、sitemap 兜底全量。

五、只放该被收录的页面

放进 sitemap 就等于「请收录这个页面」。所以不要包含：

• 后台、登录页、测试页。
• 返回 404/500 的页面。
• 被 noindex 的页面（矛盾信号）。
• 重复内容的参数页。
• 重定向的 URL（应放最终地址）。

一个干净、全部 200 的 sitemap，比一个包含几千条无效 URL 的 sitemap 有效得多。

六、静态站怎么自动生成

本站的做法是构建期扫描页面并生成（gen_sitemap.py）：

urls = []
for t in TOOLS:
    urls.append((DOMAIN + '/tools/' + t['slug'] + '.html', t['name'], '0.8', 'monthly'))
# 写 urlset...

要点：域名统一（别混用带 www 和不带的）、URL 与 canonical 一致、lastmod 取文件真实修改时间。

七、验证与排查

• 浏览器直接打开 sitemap，确认是合法 XML（不是 HTML 错误页）。
• 用站长平台的「sitemap 抓取」功能看解析结果与错误数。
• 检查 loc 是否都能返回 200（批量 curl -I）。
• 「已提交」不等于「已收录」，索引还要看内容质量与抓取预算。

八、常见问题

小结

loc 必填且与 canonical 一致；lastmod 要用真实更新时间；单文件 5 万条上限，超出拆索引；只放值得收录的 200 页面；robots 声明 + 平台提交 + 主动推送三条一起做。