如何生成sitemap.xml站点地图？
TL;DR：主题：如何生成sitemap.xml站点地图？ 正文： 站点地图不是给搜索引擎面子，是给爬虫一张不迷路的地图。生成 sitemap.xml 的核心只有两步：先列出你希望被收录的 URL，再按 XML 格式输出。真正的难点不在“生成”，而在“哪些页面该进、哪些该拦、多久更新一次”。下面按可执行顺序拆开讲。
主题：如何生成sitemap.xml站点地图？ 正文： 站点地图不是给搜索引擎面子，是给爬虫一张不迷路的地图。生成 sitemap.xml 的核心只有两步：先列出你希望被收录的 URL，再按 XML 格式输出。真正的难点不在“生成”，而在“哪些页面该进、哪些该拦、多久更新一次”。下面按可执行顺序拆开讲。
先确认你的网站到底需不需要 sitemap
不是每个网站都必须做 sitemap。判断标准看两点：页面数量和内部链接结构。
如果你的网站只有十几个页面，而且首页、导航、分类页之间互相能点到，搜索引擎爬虫基本能自己走完，sitemap 的边际收益很低。但如果页面超过几百个、存在大量需要翻页才能到达的内容、或者有图片、视频、新闻等富媒体内容，sitemap 才能体现价值。
动手之前先做三件事：
- 确认网站是否已经存在 sitemap。直接在浏览器打开
你的域名/sitemap.xml，很多建站系统会自动生成。 - 确认后台有没有现成插件。WordPress 可以用 Yoast SEO、Rank Math，Shopify、Wix 等平台自带 sitemap 功能。
- 确认你要提交的搜索引擎是否还看重 sitemap。百度搜索资源平台和 Google Search Console 都支持提交，但提交不等于收录，只是让爬虫知道有这份清单。
哪些 URL 该放进 sitemap
这一步比生成动作更重要。sitemap 里放什么，直接影响爬虫对你网站结构的判断。
该放的页面：
- 所有希望被用户搜索到的核心页面，包括产品页、服务页、文章详情页、分类页。
- 更新频率较高的内容页，比如博客、新闻、案例库。
- 孤立页面：只能通过站内搜索或特定入口到达、没有内链指向的页面。
不该放的页面：
- 带参数的重复页，比如同一页面带
?sort=price、?color=red的变体。 - 登录、注册、购物车、个人中心等无搜索价值页面。
- 被 robots.txt 屏蔽的页面。sitemap 里出现 robots 禁止抓取的 URL，属于自相矛盾。
- 返回 404、301、302 的 URL。sitemap 应该只放 200 状态码的页面。
一个容易忽略的细节：sitemap 中的 URL 必须是完整绝对路径，比如 https://www.example.com/products/123，不能写相对路径 /products/123。
三种生成方式，按技术条件选
方式一：建站系统插件自动生成
适合用 WordPress、Shopify、Wix 等现成建站系统的人。
以 WordPress 为例，安装 Yoast SEO 或 Rank Math 后，插件会自动生成 /sitemap_index.xml，里面按文章、页面、分类、标签等类型拆分出多个子 sitemap。你只需要在插件设置里勾选哪些内容类型要进 sitemap，哪些要排除。
产出物：一个或多个自动更新的 XML 文件，新增内容后无需手动操作。
检查方法：打开 你的域名/sitemap_index.xml，确认每个子 sitemap 都能正常访问，且里面的 URL 都是 200 状态。
方式二：在线工具或爬虫生成
适合没有后台开发能力、网站页面数量在几百到几千之间的静态网站。
操作顺序：
- 用工具爬取自己的网站，常见的有 Screaming Frog、XML-sitemaps.com 等。
- 爬完后导出 URL 列表，过滤掉重复参数、非 200 状态码、无搜索价值页面。
- 按 XML 格式输出，上传到网站根目录。
产出物：一个静态 XML 文件，需要手动更新。
检查方法：用 Excel 或文本编辑器打开 XML 文件，确认 URL 数量与预期一致，再抽样打开部分 URL 确认状态码。
方式三：程序化生成
适合有开发能力、页面数量大、或者内容频繁变化的网站。
基本逻辑是：从数据库或内容接口读取需要收录的页面列表，按 sitemap 协议拼成 XML 字符串，写入服务器文件或直接输出响应。
一个最小可用的 Python 伪代码结构：
urls = get_all_publish_pages() # 从数据库或接口取 URL 列表
xml_header = '<?xml version="1.0" encoding="UTF-8"?>'
xml_open = '<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">'
xml_body = ''
for url in urls:
xml_body += f'<url><loc>{url}</loc></url>'
xml_close = '</urlset>'
sitemap = xml_header + xml_open + xml_body + xml_close
save_to_file('sitemap.xml', sitemap)产出物：一个可定时执行的脚本，每次运行生成最新 sitemap。
检查方法：跑完脚本后，用 XML 校验工具确认格式合法，再抽查 URL 状态。
sitemap 文件本身要守的规矩
XML 格式错误是最常见的翻车点。几个硬性要求：
- 文件编码必须是 UTF-8。
- 每个 sitemap 文件最多 50,000 个 URL，未压缩文件大小不超过 50MB。超过就拆分成多个文件，再用 sitemap index 文件统一引用。
<loc>是唯一必填字段，<lastmod>、<changefreq>、<priority>都是可选字段。Google 官方明确表示会忽略<priority>和<changefreq>，百度也没有公开表示会参考这两个字段，所以不必花时间调这些值。- URL 中的特殊字符必须转义，比如
&写成&。
一个容易犯的错：把 <lastmod> 写成未来日期，或者每次生成时全部更新为当天。搜索引擎会认为这是欺骗信号，正确做法是只在内容真正更新时才改对应页面的 <lastmod>。
生成之后必须做的验证
生成只是开始，验证才是收尾。
第一步：XML 格式校验。 用在线 XML 校验工具检查文件是否能被正常解析。格式错误的 sitemap 提交后会被直接忽略。
第二步：URL 状态码检查。 从 sitemap 里随机抽一定数量 URL，用批量 HTTP 状态码检测工具跑一遍，确认全部返回 200。如果出现 404 或 301，说明 URL 列表本身有问题，需要回到源头过滤。
第三步：与 robots.txt 对照。 打开 你的域名/robots.txt，确认里面没有屏蔽 sitemap 中出现的目录或页面。同时可以在 robots.txt 里加一行 Sitemap: https://www.example.com/sitemap.xml，给爬虫多一个发现入口。
第四步：提交到搜索引擎后台。 Google Search Console 的“站点地图”菜单里提交 sitemap URL，百度搜索资源平台的“普通收录”里做同样操作。提交后过一段时间回来看状态，如果显示“无法读取”或“没有已发现网址”，说明文件路径或格式有问题。
常见问题
问题：sitemap 提交后多久会被收录？
没有固定时间。提交只是告诉搜索引擎“这里有清单”，搜索引擎会按自己的节奏抓取。新站可能几天到几周，老站更新较快。提交后重点看后台的“已发现网址”数量是否与 sitemap 中的数量接近，而不是盯着收录时间。
问题：sitemap 里要不要放图片和视频？
如果图片搜索和视频搜索是你的流量来源，可以单独生成图片 sitemap 或视频 sitemap，使用对应的命名空间和标签。普通图文网站不需要把图片单独列进标准 sitemap。
问题：网站改版后 sitemap 怎么处理？
改版后先确认新 URL 结构，重新生成 sitemap，再在 Search Console 里删除旧 sitemap 并提交新的。旧 URL 如果已经做 301 跳转，搜索引擎会在后续抓取中逐步更新索引，sitemap 里只需要放新 URL。
sitemap 的价值不在生成动作本身，而在你整理 URL 清单时被迫想清楚：哪些页面值得被搜索到，哪些页面在浪费爬虫的抓取预算。想清楚这个问题，比纠结用哪个工具生成更有用。