如何使用Python来生成sitemap

python

在做网站项目时,经常会使用脚本生成sitemap, 便于爬虫爬取,有利于SEO。 那么如何使用Python来生成sitemap呢?下面我们来研究一番。

安装lxml

首先需要pip install lxml安装lxml库。

如果你在ubuntu上遇到了以下错误:

#include "libxml/xmlversion.h"

compilation terminated.

error: command 'x86_64-linux-gnu-gcc' failed with exit status 1

----------------------------------------

Cleaning up...

 Removing temporary dir /tmp/pip_build_root...

Command /usr/bin/python -c "import setuptools, tokenize;__file__='/tmp/pip_build_root/lxml/setup.py';exec(compile(getattr(tokenize, 'open', open)(__file__).read().replace('

', '

'), __file__, 'exec'))" install --record /tmp/pip-O4cIn6-record/install-record.txt --single-version-externally-managed --compile failed with error code 1 in /tmp/pip_build_root/lxml

Exception information:

Traceback (most recent call last):

 File "/usr/lib/python2.7/dist-packages/pip/basecommand.py", line 122, in main

  status = self.run(options, args)

 File "/usr/lib/python2.7/dist-packages/pip/commands/install.py", line 283, in run

  requirement_set.install(install_options, global_options, root=options.root_path)

 File "/usr/lib/python2.7/dist-packages/pip/req.py", line 1435, in install

  requirement.install(install_options, global_options, *args, **kwargs)

 File "/usr/lib/python2.7/dist-packages/pip/req.py", line 706, in install

  cwd=self.source_dir, filter_stdout=self._filter_install, show_stdout=False)

 File "/usr/lib/python2.7/dist-packages/pip/util.py", line 697, in call_subprocess

  % (command_desc, proc.returncode, cwd))

InstallationError: Command /usr/bin/python -c "import setuptools, tokenize;__file__='/tmp/pip_build_root/lxml/setup.py';exec(compile(getattr(tokenize, 'open', open)(__file__).read().replace('

', '

'), __file__, 'exec'))" install --record /tmp/pip-O4cIn6-record/install-record.txt --single-version-externally-managed --compile failed with error code 1 in /tmp/pip_build_root/lxml

请安装以下依赖:

sudo apt-get install libxml2-dev libxslt1-dev

Python代码

下面是生成sitemap和sitemapindex索引的代码,可以按照需求传入需要的参数,或者增加字段:

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import io

import re

from lxml import etree

def generate_xml(filename, url_list):

  """Generate a new xml file use url_list"""

  root = etree.Element('urlset',

             xmlns="http://www.sitemaps.org/schemas/sitemap/0.9")

  for each in url_list:

    url = etree.Element('url')

    loc = etree.Element('loc')

    loc.text = each

    url.append(loc)

    root.append(url)

  header = u'<?xml version="1.0" encoding="UTF-8"?>

'

  s = etree.tostring(root, encoding='utf-8', pretty_print=True)

  with io.open(filename, 'w', encoding='utf-8') as f:

    f.write(unicode(header+s))

def update_xml(filename, url_list):

  """Add new url_list to origin xml file."""

  f = open(filename, 'r')

  lines = [i.strip() for i in f.readlines()]

  f.close()

  old_url_list = []

  for each_line in lines:

    d = re.findall('<loc>(http://.+)</loc>', each_line)

    old_url_list += d

  url_list += old_url_list

  generate_xml(filename, url_list)

def generatr_xml_index(filename, sitemap_list, lastmod_list):

  """Generate sitemap index xml file."""

  root = etree.Element('sitemapindex',

             xmlns="http://www.sitemaps.org/schemas/sitemap/0.9")

  for each_sitemap, each_lastmod in zip(sitemap_list, lastmod_list):

    sitemap = etree.Element('sitemap')

    loc = etree.Element('loc')

    loc.text = each_sitemap

    lastmod = etree.Element('lastmod')

    lastmod.text = each_lastmod

    sitemap.append(loc)

    sitemap.append(lastmod)

    root.append(sitemap)

  header = u'<?xml version="1.0" encoding="UTF-8"?>

'

  s = etree.tostring(root, encoding='utf-8', pretty_print=True)

  with io.open(filename, 'w', encoding='utf-8') as f:

    f.write(unicode(header+s))

if __name__ == '__main__':

  urls = ['http://www.baidu.com'] * 10

  mods = ['2004-10-01T18:23:17+00:00'] * 10

  generatr_xml_index('index.xml', urls, mods)

效果

生成的效果应该是这种格式:

sitemap格式:

<?xml version="1.0" encoding="UTF-8"?>

<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

 <url>

  <loc>http://www.example.com/foo.html</loc>

 </url>

</urlset>

sitemapindex格式:

<?xml version="1.0" encoding="UTF-8"?>

  <sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

  <sitemap>

   <loc>http://www.example.com/sitemap1.xml.gz</loc>

   <lastmod>2004-10-01T18:23:17+00:00</lastmod>

  </sitemap>

  <sitemap>

   <loc>http://www.example.com/sitemap2.xml.gz</loc>

   <lastmod>2005-01-01</lastmod>

  </sitemap>

  </sitemapindex>

lastmod时间格式的问题

格式是用ISO 8601的标准,如果是linux/unix系统,可以使用以下函数获取

def get_lastmod_time(filename):

  time_stamp = os.path.getmtime(filename)

  t = time.localtime(time_stamp)

  # return time.strftime('%Y-%m-%dT%H:%M:%S+08:00', t)

  return time.strftime('%Y-%m-%dT%H:%M:%SZ', t)

优化

一般来说,用lxml效率低并且内存占用比较大,可以直接用文件的write方法创建。

def generate_xml(filename, url_list):

  with gzip.open(filename,"w") as f:

    f.write("""<?xml version="1.0" encoding="utf-8"?>

<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

""")

    for i in url_list:

      f.write("""<url><loc>%s</loc></url>

"""%i)

    f.write("""</urlset>""")

def append_xml(filename, url_list):

  with gzip.open(filename, 'r') as f:

    for each_line in f:

      d = re.findall('<loc>(http://.+)</loc>', each_line)

      url_list.extend(d)

    generate_xml(filename, set(url_list))

def modify_time(filename):

  time_stamp = os.path.getmtime(filename)

  t = time.localtime(time_stamp)

  return time.strftime('%Y-%m-%dT%H:%M:%S:%SZ', t)

def new_xml(filename, url_list):

  generate_xml(filename, url_list)

  root = dirname(filename)

  with open(join(dirname(root), "sitemap.xml"),"w") as f:

    f.write('<?xml version="1.0" encoding="utf-8"?>

<sitemapindex xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">

')

    for i in glob.glob(join(root,"*.xml.gz")):

      lastmod = modify_time(i)

      i = i[len(CONFIG.SITEMAP_PATH):]

      f.write("<sitemap>

<loc>http:/%s</loc>

"%i)

      f.write("<lastmod>%s</lastmod>

</sitemap>

"%lastmod)

    f.write('</sitemapindex>')


以上是 如何使用Python来生成sitemap 的全部内容, 来源链接: utcz.com/z/521627.html

回到顶部