Доступ до вихідного коду відкрито з нашого репозиторію. Завантажити окремий додаток можна звідси.
Contents
Що таке Sitemap?
Sitemap – це набір посиланнь на сторінки сайту. Власник сайту повинен додати найважливіші сторінки з додатковою інформацією (коефіцієнт пріоритету, дата зміни, частота змін) до Sitemap. Як зазначено у описі протоколу Sitemap:
Використання Sitemap протоколу не гарантує, що сторінки сайту будуть проіндексовані та використані пошуковими системами, але дає натяки веб-краулерам для задовільної роботи зі сторінками.
Як створити sitemap?
Щоб створити сайтмап, є наступні варіанти:
- Додати посилання до xml документу вручну
- Додати посилання до xml документу рекурсивно з допомогою веб-клієнта і html парсера
- використати плагін чи створити ендпоінт, що повертає xml документ (на різних веб-платформах по-різному)
Наостанок треба утвердити sitemap у пошуковій консолі. Інакше пошукові системи не зареєструють його.
Додаток для створення сайтмапу у форматі xml на .Net Core C#
Доданок дає можливість створити сайтмап для сайту з необмеженою кількістю сторінок.
Додаток відвідує посилання у порядку їх відображення на сторінці. Тому, якщо певне посилання відсутнє на всіх сторінках сайту, то певна сторінка не буде додана до сайтмапу.
Структура генератору сайтмапу
Весь вихідний код зберігається у нашому репозиторію. Тут наведено спрощений варіант.
У додатку дві головних функціональних частини:
Менеджер краулінгу
- перейти на головну сторінку, отримати посилання з html коду
- зберегти відвідане посилання, збереги отримані посилання (окрім відвіданих)
- перейти на кожне збережене посилання, отримати посилання з html коду
- зберегти відвідане посилання, зберегти отримані посилання (окрім відвіданих)
- продовжувати цикл поки виключення відвіданих з отриманих не дорівнюватиме пустому списку
...
List new_urls = new List();
List visited = new List();
...
new_urls.Add(BaseUrl); //перше посилання
do
{
List hrefs=new List();
foreach (var url in new_urls)
{
string text =await _loader.Get(url);
if (string.IsNullOrEmpty(text)) continue;
visited.Add(url);
List meta=Parser.GetAHrefs(text).Distinct().ToList(); //отримання посилань з хтмл коду
Parser.Normalize(Domain,url,ref meta);
if (Exclude) //option to exclude query from url
meta = meta.Select(u => u.Contains('?') ? u.Split('?')[0] : u).ToList();
hrefs.AddRange(meta);
hrefs = hrefs.Distinct().ToList();
}
new_urls = hrefs.Except(visited).ToList(); //виключення відвіданих посилань
}
while (new_urls.Count != 0);
...
HTML парсінг
Для HTML парсінгу використовується HtmlAgilityPack.
...
public static IEnumerable GetAHrefs(string text)
{
HtmlDocument document = new HtmlDocument();
document.LoadHtml(text);
var tags=document.DocumentNode.SelectNodes(".//*");
foreach(var tag in tags)
{
if (tag.Name == "a" )
{
string href = tag.GetAttributeValue("href", string.Empty);
if (!string.IsNullOrEmpty(href))
yield return href;
}
}
}
...
Інтерфейс додатку
- Адреса головної сторінки потрібного сайту
- Доменне ім’я сайту
- Можливість додати необов’язкові дані до сайтмапу
- Прибрати параметри заспиту з адреси