Extraire toutes les URL d’un sitemap (gratuit)

Pour extraire toutes les URL d’un sitemap, ouvrez le code source du sitemap, copiez tout et récupérez l’adresse de chaque balise <loc>. Notre extracteur d’URL gratuit s’en charge : collez le XML, cliquez sur Envoyer et vous obtenez une URL par ligne et un total. Il lit & comme & et ignore les liens mailto:, tel: et similaires, mais avant de vous fier à la liste il reste deux choses à nettoyer : les lignes d’espace de noms et les doublons.

L’extracteur d’URL est gratuit, sans compte et fonctionne dans n’importe quel navigateur, sans rien installer. Le texte est traité sur notre serveur pour y trouver les liens. Les visiteurs ont droit à 5 utilisations d’outils par jour, et un compte My Botsy gratuit (100 % gratuit, sans spam) supprime cette limite. Tous les chiffres de cet article viennent de tests sur l’outil en ligne le 1^er novembre 2026, avec notre propre sitemap et un sitemap de test conçu pour le mettre en défaut.

Extraire les URL d’un sitemap, étape par étape

1. Trouvez la vraie adresse du sitemap. Ouvrez https://le-site.fr/robots.txt et cherchez la ligne qui commence par Sitemap:. Ne partez pas du principe qu’il se trouve à /sitemap.xml : sur mybotsy.com, cette adresse renvoie une 404 et le robots.txt pointe vers https://mybotsy.com/sitemap. Les emplacements par défaut les plus courants sont /wp-sitemap.xml (WordPress sans extension), /sitemap_index.xml (Yoast SEO) et /sitemap.xml (Shopify et beaucoup d’autres).
2. Ouvrez le code source, pas l’affichage mis en forme. Certains sitemaps s’affichent dans le navigateur sous forme de tableau stylé. Tapez view-source: devant l’adresse (Chrome, Edge, Firefox) ou faites Ctrl+U, puis Ctrl+A et Ctrl+C. Le code source, c’est ce que lit le robot d’exploration.
3. Collez le code source tel quel. Dans le XML, chaque & d’une chaîne de requête est stocké sous la forme &. Inutile de le corriger : depuis le 1er novembre 2026, l’extracteur le reconvertit en &, donc ?color=red&size=42 sort sous la forme ?color=red&size=42.
4. Collez dans l’extracteur d’URL et cliquez sur Envoyer. Vous obtenez un Nombre et une zone de résultat avec une URL par ligne. Cliquez sur l’icône de copie pour récupérer toute la liste.
5. Supprimez les lignes de namespace. La première ligne est presque toujours http://www.sitemaps.org/schemas/sitemap/0.9. Ce n’est pas une page, c’est la déclaration d’espace de noms du sitemap. Les sitemaps d’images et hreflang en ajoutent d’autres, comme http://www.w3.org/1999/xhtml.
6. Supprimez les doublons et triez. Collez la liste dans le suppresseur de lignes en double, puis dans l’outil pour trier une liste par ordre alphabétique. Le tri regroupe les lignes de namespace et tout autre domaine (un CDN d’images, par exemple), qui sautent alors aux yeux. Notre guide pour supprimer les lignes en double et trier une liste détaille les pièges, comme les espaces en fin de ligne.
7. Si vous obtenez des sitemaps au lieu de pages, recommencez. Un index de sitemaps liste d’autres sitemaps, pas des pages. Ouvrez chaque sitemap enfant et refaites les étapes 2 à 6.

Exemple réel 1 : notre propre index de sitemaps

Nous avons collé le code source de https://mybotsy.com/sitemap (3 813 octets) dans l’extracteur d’URL. Résultat : Nombre 27. La première ligne était le namespace, les 26 autres des sitemaps enfants : https://mybotsy.com/sitemap/main plus un sitemap d’outils par langue, de /sitemap/tools/ar à /sitemap/tools/vi. Pas une seule page. Voilà à quoi ressemble un index, et c’est la raison la plus fréquente pour laquelle on croit que l’extraction « n’a pas marché ».

Nous avons ensuite ouvert https://mybotsy.com/sitemap/main, un fichier de 65 107 octets, et collé son code. Résultat : Nombre 450, soit 449 URL de pages plus la ligne du namespace. Pour vérifier, nous avons compté les balises <loc> avec une commande dans le terminal : les mêmes 449, et le suppresseur de doublons n’a rien retiré. La partie anglaise comptait 40 URL : l’accueil, la page contact, le blog, six sections d’outils, quatre URL /page/, cinq catégories de blog et 22 articles (avant la publication de celui-ci, il y en a donc davantage aujourd’hui).

C’est ce détail qui est utile. Une fois la liste en main, vous pouvez la comparer à ce que vous vous attendiez à y trouver, ou aux pages que Google indique comme indexées dans la Search Console, et repérer ce qui manque ou ce qui n’a rien à y faire.

Exemple réel 2 : un sitemap conçu pour piéger les extracteurs

Les vrais sitemaps contiennent plus que de simples URL <loc>. Nous avons écrit un sitemap de test à sept <loc> pour une boutique imaginaire, shop.example.com, avec une alternative hreflang, une balise image, une chaîne de requête, un bloc CDATA, des parenthèses, une lettre accentuée et deux pages en double. Collé sans retouche le 1er novembre 2026, l’extracteur a renvoyé Total 12 :

Le suppresseur de lignes en double a ramené les 12 lignes à 10 (l’accueil figurait deux fois en <loc>, et /es/ une fois comme alternative hreflang et une fois comme <loc> à part entière). Une fois la liste triée, les trois lignes de namespace se retrouvaient en tête et l’image du CDN juste après : le nettoyage a pris quelques secondes.

La leçon : le total affiché n’est votre nombre de pages qu’après avoir retiré namespaces, alternatives non voulues, images et doublons.

Les pièges qui faussent votre liste d’URL

Le piège du & (géré depuis le 1er novembre 2026)

Le protocole sitemap de sitemaps.org exige que chaque valeur soit échappée en entités : une URL contenant & doit donc s’écrire &. Les outils qui lisent le texte brut, au lieu d’analyser le XML, voient le point-virgule. Jusqu’au 1er novembre 2026, notre extracteur s’arrêtait là et ne gardait que ?color=red&amp. Il décode maintenant les entités d’abord et renvoie ?color=red&size=42. La commande classique grep -o '<loc>[^<]*' laisse toujours & dans l’URL, ce qui est faux si vous la demandez ensuite.

Où se termine une URL

Nous avons testé d’autres cas dans l’extracteur. Les URL encodées en pourcentage, les ports (:8443), les domaines Punycode (xn--mnchen-3ya.de), les domaines et chemins internationaux (münchen.de, пример.рф/путь) et des caractères comme ; ! ' * $ ( ) [ ] sont conservés en entier. Une URL se termine à un espace, à un guillemet ou à <, et la ponctuation qui suit, comme un point final, une virgule ou une parenthèse fermante sans partenaire, est retirée : see https://a.com/end. donne https://a.com/end. Les liens qui ne sont pas des adresses web, comme mailto:, tel:, javascript:, data: et les ancres réduites à #, sont exclus.

Confondre un index et un sitemap

Si la balise racine est <sitemapindex>, chaque <loc> est un autre sitemap. Les gros sites découpent leurs URL parce qu’un sitemap ne peut pas dépasser 50 000 URL ni 50 Mo (52 428 800 octets) non compressé. Les fichiers .xml.gz sont compressés en gzip : le navigateur les télécharge au lieu de les afficher, décompressez-les donc d’abord (7-Zip sous Windows, double-clic sur Mac).

Prendre le sitemap pour la liste des pages en ligne

Un sitemap, c’est ce que le site déclare, pas une preuve. S’il n’est pas régénéré automatiquement, il peut continuer à lister des pages supprimées, des URL redirigées et d’anciennes adresses en http:// longtemps après leur changement. Vérifiez les URL suspectes avec le vérificateur de redirection (notre guide pour savoir si une redirection est en 301 ou 302 explique les résultats) et contrôlez les balises de chaque page avec le vérificateur de balises meta.

Que faire de la liste

• Auditer face à la Search Console. Comparez votre liste aux pages indexées que Google affiche, et cherchez ce qui manque ou ce qui y figure par erreur.
• Préparer une migration. La liste triée des anciennes URL forme la première colonne de votre plan de redirections.
• Remettre de l’ordre dans les URL. Les chemins longs et confus sautent aux yeux dans une liste triée. Notre guide des URL optimisées pour le SEO et le générateur de slug vous aident à les corriger.
• Décortiquer une URL. L’analyseur d’URL découpe n’importe quelle adresse en hôte, chemin et paramètres, pratique pour repérer des paramètres de suivi qui n’ont rien à faire dans un sitemap. Notre guide des paramètres UTM explique pourquoi les liens en utm_ servent aux campagnes, pas aux sitemaps.

Questions fréquentes

Comment obtenir la liste de toutes les URL d’un site à partir de son sitemap ?

Trouvez le sitemap dans le robots.txt, ouvrez son code source, remplacez & par & et collez-le dans l’extracteur d’URL. Supprimez les lignes de namespace, retirez les doublons et, s’il s’agit d’un index, recommencez avec chaque sitemap enfant.

Pourquoi j’obtiens des liens vers des sitemaps au lieu de pages ?

Vous avez ouvert un index de sitemaps. Ses balises <loc> pointent vers d’autres sitemaps ; le nôtre a renvoyé 26 sitemaps enfants et aucune page. Ouvrez chacun d’eux et relancez l’extraction.

Pourquoi la première URL est http://www.sitemaps.org/schemas/sitemap/0.9 ?

C’est le namespace XML que tout sitemap valide déclare dans sa balise racine. Il ressemble à une URL, donc les extracteurs le listent. Supprimez-le : ce n’est pas une page du site.

L’extracteur gère-t-il le & des sitemaps ?

Oui. Les sitemaps doivent stocker & sous la forme &, et depuis le 1er novembre 2026 l’extracteur le reconvertit : les chaînes de requête sortent donc complètes. Il n’est plus nécessaire de le remplacer d’abord dans un éditeur de texte.

Peut-on extraire les URL d’un sitemap .xml.gz ?

Oui, après décompression. Les sitemaps compressés se téléchargent comme des fichiers : extrayez le .xml qu’ils contiennent, ouvrez-le dans un éditeur de texte et collez son contenu dans l’outil.

L’extracteur d’URL est-il gratuit ?

Oui. Il est gratuit, sans compte et sans installation. Les visiteurs ont 5 utilisations par jour, et un compte gratuit (sans spam) supprime la limite.

Prêt à récupérer votre liste ? Ouvrez l’extracteur d’URL gratuit, collez le code de votre sitemap et nettoyez le résultat en deux clics avec le suppresseur de lignes en double et l’outil pour trier une liste par ordre alphabétique.