Массовое вытаскивание урлов из нескольких xml карт сайта

cb0ba02090d23cadb05f53ba601107e2.png

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, соответсвенно 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!

© Habrahabr.ru