Para extrair todas as URLs de um sitemap, abra o código-fonte do sitemap, copie tudo e tire o endereço de cada tag <loc>. Nosso extrator de URL grátis faz isso por você: cole o XML, clique em Enviar e receba uma URL por linha e uma contagem. Ele lê & como & e ignora links mailto:, tel: e parecidos, mas antes de confiar na lista você ainda precisa limpar duas coisas: as linhas de namespace e as duplicatas.
O extrator de URLs é grátis, não pede conta e funciona em qualquer navegador, sem instalar nada. O texto é processado no nosso servidor para encontrar os links. Visitantes têm 5 usos de ferramentas por dia, e uma conta gratuita na My Botsy (100% grátis, sem spam) acaba com esse limite. Todos os números deste artigo vêm de testes na ferramenta real em 1º de novembro de 2026, com o nosso próprio sitemap e com um sitemap de teste criado para dar problema.
Como extrair as URLs de um sitemap, passo a passo
- Descubra o endereço real do sitemap. Abra
https://o-site.com.br/robots.txte procure a linha que começa comSitemap:. Não suponha que é/sitemap.xml: no mybotsy.com esse endereço dá 404, e o robots.txt aponta parahttps://mybotsy.com/sitemap. Os padrões mais comuns são/wp-sitemap.xml(WordPress sem plugin),/sitemap_index.xml(Yoast SEO) e/sitemap.xml(Shopify e muitos outros). - Abra o código-fonte, não a versão bonita. Alguns sitemaps aparecem no navegador como uma tabela formatada. Digite
view-source:antes do endereço (Chrome, Edge, Firefox) ou aperte Ctrl+U, depois Ctrl+A e Ctrl+C. O código-fonte é o que o robô de busca lê. - Cole o código-fonte como está. No XML, cada
&de uma query string fica salvo como&. Você não precisa corrigir isso: desde 1º de novembro de 2026 o extrator converte de volta para&, então?color=red&size=42sai como?color=red&size=42. - Cole no extrator de URLs e clique em Enviar. Aparecem o Total e uma caixa de resultado com uma URL por linha. Clique no ícone de copiar para levar a lista inteira.
- Apague as linhas de namespace. A primeira linha quase sempre é
http://www.sitemaps.org/schemas/sitemap/0.9. Isso não é uma página: é a declaração de namespace do sitemap. Sitemaps de imagem e de hreflang acrescentam outras, comohttp://www.w3.org/1999/xhtml. - Tire as duplicatas e ordene. Cole a lista no removedor de linhas duplicadas e depois em ordenar lista em ordem alfabética. Ao ordenar, as linhas de namespace e qualquer outro domínio (um CDN de imagens, por exemplo) ficam juntos e fáceis de achar. O nosso guia para remover linhas duplicadas e ordenar listas explica os detalhes, como espaços no fim da linha.
- Se vierem sitemaps em vez de páginas, repita. Um índice de sitemaps lista outros sitemaps, não páginas. Abra cada sitemap filho e repita as etapas 2 a 6.
Exemplo real 1: o nosso próprio índice de sitemaps
Colamos o código-fonte de https://mybotsy.com/sitemap (3.813 bytes) no extrator de URLs. Resultado: Total 27. A primeira linha era o namespace e as outras 26 eram sitemaps filhos: https://mybotsy.com/sitemap/main e mais um sitemap de ferramentas por idioma, de /sitemap/tools/ar a /sitemap/tools/vi. Nenhuma página. É assim que um índice se parece, e esse é o motivo mais comum para alguém achar que a extração "não funcionou".
Depois abrimos https://mybotsy.com/sitemap/main, um arquivo de 65.107 bytes, e colamos o código. Resultado: Total 450, ou seja, 449 URLs de páginas mais a linha do namespace. Para conferir, contamos as tags <loc> com um comando no terminal e deu as mesmas 449; o removedor de duplicatas não tirou nenhuma. A parte em inglês tinha 40 URLs: a página inicial, contato, o blog, seis seções de ferramentas, quatro URLs de /page/, cinco categorias do blog e 22 artigos (antes deste ser publicado, então hoje são mais).
Esse detalhamento é o que realmente ajuda. Com a lista na mão, você compara com o que esperava encontrar, ou com as páginas que o Google mostra como indexadas no Search Console, e vê o que está faltando ou sobrando.
Exemplo real 2: um sitemap feito para quebrar extratores
Sitemaps reais têm mais que URLs <loc> simples. Escrevemos um sitemap de teste com sete <loc> para uma loja imaginária, shop.example.com, com uma alternativa hreflang, uma tag de imagem, uma query string, um bloco CDATA, parênteses, uma letra acentuada e duas páginas repetidas. Colado sem edição em 1º de novembro de 2026, o extrator devolveu Contagem 12:
| No sitemap | O que saiu | Solução |
|---|---|---|
| Declarações de namespace (3) | 3 linhas a mais, como http://www.sitemaps.org/schemas/sitemap/0.9 | Apague |
<xhtml:link hreflang="es" href=".../es/"> | https://shop.example.com/es/ | Normal: alternativas também são URLs |
<image:loc> num CDN | https://cdn.example.com/img/red-shoe.jpg | Apague se quiser só páginas |
/shoes?color=red&size=42 | /shoes?color=red&size=42 | Nenhuma |
<![CDATA[/sale?utm_source=mail&utm_medium=email]]> | URL completa, correta | Nenhuma |
/guide/sizing-(eu-vs-us) | /guide/sizing-(eu-vs-us) | Nenhuma |
/café-menu | /café-menu | Nenhuma (os navegadores enviam como caf%C3%A9-menu) |
O removedor de linhas duplicadas reduziu as 12 linhas para 10 (a página inicial aparecia duas vezes como <loc>, e /es/ uma vez como alternativa hreflang e outra como <loc> próprio). Com a lista em ordem alfabética, as três linhas de namespace ficaram no topo e a imagem do CDN logo depois, e a limpeza levou segundos.
A lição: o total que a ferramenta mostra só vira o seu número de páginas depois de tirar namespaces, alternativas indesejadas, imagens e duplicatas.
Erros que deixam a sua lista de URLs errada
A armadilha do & (resolvida desde 1º de novembro de 2026)
O protocolo de sitemaps do sitemaps.org exige que todo valor seja escapado com entidades, então uma URL com & deve ser escrita como &. Ferramentas que leem o texto cru, em vez de interpretar o XML, enxergam o ponto e vírgula. Até 1º de novembro de 2026 nosso extrator parava ali e guardava só ?color=red&. Agora ele decodifica as entidades primeiro e devolve ?color=red&size=42. O clássico comando grep -o '<loc>[^<]*' ainda deixa & na URL, o que é errado se você for acessá-la depois.
Onde uma URL termina
Testamos mais casos no extrator. URLs com codificação percentual, portas (:8443), domínios Punycode (xn--mnchen-3ya.de), domínios e caminhos internacionais (münchen.de, пример.рф/путь) e caracteres como ; ! ' * $ ( ) [ ] são mantidos inteiros. Uma URL termina num espaço, numa aspa ou em <, e a pontuação logo depois, como um ponto final, uma vírgula ou um parêntese de fechamento sem par, é descartada, então see https://a.com/end. dá https://a.com/end. Links que não são endereços web, como mailto:, tel:, javascript:, data: e âncoras que são só #, ficam de fora.
Confundir índice com sitemap
Se a tag raiz é <sitemapindex>, cada <loc> é outro sitemap. Sites grandes dividem as URLs porque um sitemap pode ter no máximo 50.000 URLs e 50 MB (52.428.800 bytes) sem compressão. Arquivos .xml.gz estão compactados com gzip: o navegador baixa em vez de mostrar, então descompacte antes (7-Zip no Windows, clique duplo no Mac).
Achar que o sitemap é a lista de páginas no ar
O sitemap é o que o site declara, não uma prova. Se não for gerado automaticamente, ele pode continuar listando páginas apagadas, URLs redirecionadas e endereços antigos em http:// muito tempo depois da mudança. Confira as URLs suspeitas com o verificador de redirecionamento (nosso guia sobre como saber se um redirecionamento é 301 ou 302 explica o resultado) e as tags de cada página com o verificador de meta tags.
O que fazer com a lista
- Auditar com o Search Console. Compare a sua lista com as páginas indexadas que o Google mostra e procure o que falta ou o que entrou por engano.
- Planejar uma migração. A lista ordenada das URLs antigas é a primeira coluna do seu mapa de redirecionamentos.
- Arrumar a estrutura de URLs. Caminhos longos e bagunçados saltam aos olhos numa lista ordenada. O nosso guia de URLs amigáveis para SEO e o gerador de slug ajudam a corrigir.
- Analisar uma URL por partes. O analisador de URL separa qualquer endereço em host, caminho e parâmetros, ótimo para pegar parâmetros de rastreamento que não deveriam estar no sitemap. O nosso guia de parâmetros UTM explica por que links com
utm_são para campanhas, não para sitemaps.
Perguntas frequentes
Como tirar a lista de todas as URLs de um site pelo sitemap?
Ache o sitemap no robots.txt, abra o código-fonte, troque & por & e cole no extrator de URLs. Apague as linhas de namespace, remova duplicatas e, se for um índice, repita com cada sitemap filho.
Por que vieram links de sitemaps em vez de páginas?
Você abriu um índice de sitemaps. As tags <loc> dele apontam para outros sitemaps; o nosso devolveu 26 sitemaps filhos e nenhuma página. Abra cada um e extraia de novo.
Por que a primeira URL é http://www.sitemaps.org/schemas/sitemap/0.9?
É o namespace XML que todo sitemap válido declara na tag raiz. Parece uma URL, então os extratores incluem. Apague: não é uma página do site.
O extrator entende o & dos sitemaps?
Sim. Os sitemaps precisam guardar & como &, e desde 1º de novembro de 2026 o extrator converte de volta, então as query strings saem completas. Não é mais preciso substituir isso antes num editor de texto.
Dá para extrair URLs de um sitemap .xml.gz?
Dá, depois de descompactar. Sitemaps compactados são baixados como arquivo; tire o .xml de dentro, abra num editor de texto e cole o conteúdo na ferramenta.
O extrator de URLs é grátis?
Sim. É grátis, sem conta e sem instalar nada. Visitantes têm 5 usos por dia, e uma conta gratuita (sem spam) remove o limite.
Pronto para tirar a sua lista? Abra o extrator de URLs grátis, cole o código do seu sitemap e limpe o resultado em dois cliques com o removedor de linhas duplicadas e ordenar lista em ordem alfabética.
