在网站运维和SEO优化工作中，sitemap.xml是用来向搜索引擎通告站点结构的重要文件。当我们在更换模板、合并子站或者清理死链时，往往要确认新旧两个sitemap之间到底哪些URL被删除了、哪些是新加的。靠浏览器打开肉眼看不仅效率极低，而且超过几百行就基本不可行了。借助Python自带的标准库，我们可以写出一个简单的脚本，自动解析两份XML并输出差异清单。
解析sitemap.xml的基本方法
大部分sitemap文件都遵循XML Sitemap协议，根节点是<urlset>，里面包含若干个<url>子节点，每个<url>中有一个<loc>标签存放完整网址。Python的xml.etree.ElementTree模块能够把这种结构读成树对象。不过很多真实文件会在根节点声明命名空间，例如xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"，导致直接用find('loc')会返回空值。这时候要么在标签名前加上命名空间字符串，要么用局部名称跳过命名空间限制。
下面这段示例代码演示了如何安全地提取所有链接。我们定义了一个函数，接收文件路径，返回去重后的URL集合。使用集合而不是列表，是为后面做差集运算做准备，同时自动忽略文件内部重复的<loc>。
import xml.etree.ElementTree as ET
def parse_sitemap(path):
tree = ET.parse(path)
root = tree.getroot()
urls = set()
# 处理带命名空间的情况，这里直接遍历所有loc标签
for elem in root.iter():
if elem.tag.endswith('loc'):
text = elem.text
if text:
urls.add(text.strip())
return urls
old_urls = parse_sitemap('old_sitemap.xml')
new_urls = parse_sitemap('new_sitemap.xml')
print('旧文件链接数:', len(old_urls))
print('新文件链接数:', len(new_urls))
上面的iter()方法会深度优先遍历整棵树，配合tag.endswith('loc')可以忽略命名空间前缀，是一种简单稳健的写法。如果文件极小，这种一次性读入内存的方式完全够用；但若是大型站点导出的几万行文件，就需要考虑流式解析，后文会提到。
计算差异并生成可读报告
拿到两个URL集合之后，Python的set类型原生支持差集、交集和并集操作。仅旧站有的链接等于old_urls - new_urls，仅新站有的等于new_urls - old_urls，双方都有的用old_urls & new_urls。这样三行代码就能把差异算清楚。为了让运营同学看得懂，我们通常会把结果写成CSV或者纯文本报告，而不是只打印在控制台。
下面的脚本把差异写出到文件，并附带简单统计。注意在写文件时指定utf-8编码，避免中文路径或查询参数乱码。我们还对URL做了排序，方便人工抽查。
def write_report(old_urls, new_urls, report_path):
only_old = sorted(old_urls - new_urls)
only_new = sorted(new_urls - old_urls)
common = sorted(old_urls & new_urls)
with open(report_path, 'w', encoding='utf-8') as f:
f.write('仅旧sitemap存在(已删除):n')
for u in only_old:
f.write(u + 'n')
f.write('n仅新sitemap存在(新增):n')
for u in only_new:
f.write(u + 'n')
f.write('n共同存在数量: ' + str(len(common)) + 'n')
write_report(old_urls, new_urls, 'sitemap_diff.txt')
实际项目里，URL可能带有末尾斜杠、大小写或跟踪参数等细微差别。若直接比较集合可能会误判为不同。因此在parse_sitemap里可以加一步归一化，比如统一转小写、去掉?后的无用参数。这样差异结果更贴近真实内容变更，而不是表面字符不一致。
大文件与多文件场景的优化思路
当sitemap体积超过百兆，或者站点采用了sitemap索引文件指向多个子文件时，ET.parse一次性加载会占用过多内存。此时可以改用iterparse做事件驱动解析，每读到一个<url>节点就取出<loc>并清空树节点，从而把内存控制在很低水平。这种写法稍微复杂，但能轻松应对千万级链接。
如果待比较的不是两个单文件，而是一个索引里列出的十几份子sitemap，我们可以先用parse_sitemap把每个子文件URL合并进一个总集合，再执行差集。另外也可以把结果推送到数据库或对象存储，用SQL做进一步分析。以下代码展示iterparse的基本骨架：
def parse_large_sitemap(path):
urls = set()
context = ET.iterparse(path, events=('end',))
for event, elem in context:
if elem.tag.endswith('url'):
loc = elem.find('{http://www.sitemaps.org/schemas/sitemap/0.9}loc')
if loc is not None and loc.text:
urls.add(loc.text.strip())
elem.clear()
return urls
使用iterparse时，elem.clear()会释放已处理节点的内存，这是控制峰值占用的关键。若你的sitemap命名空间不同，记得把find里的完整URL换成对应值，或者用前文说的iter方式替代。把这些函数封装成命令行工具，配合定时任务，就能在每次发布后自动监控链接变动，及时提醒相关同事处理遗漏。
Pythonsitemap_xmldiff_tool修改时间：2026-08-13 16:00:30