On tombe souvent sur un site dont on voudrait parcourir toutes les rubriques, mais dont la navigation ne montre qu’une fraction du contenu. Le plan du site, ou sitemap, est le fichier qui liste les URL qu’un site rend disponibles. Savoir où le trouver et comment le lire permet d’accéder à des pages que ni le menu ni la recherche interne ne mettent en avant.
Accéder au fichier sitemap XML d’un site web
La méthode la plus directe consiste à taper l’adresse du site suivie de /sitemap.xml dans la barre du navigateur. Sur la majorité des sites construits avec un CMS comme WordPress, Shopify ou Joomla, cette URL renvoie un fichier XML qui liste les pages publiées.
Si cette adresse renvoie une erreur 404, on peut tenter quelques variantes : /sitemap_index.xml, /sitemap1.xml, ou encore /sitemap/. Le nom du fichier n’est pas normalisé, chaque CMS ou plugin utilise sa propre convention.
Une autre piste fiable : ouvrir le fichier robots.txt du site (accessible via /robots.txt). Ce fichier contient souvent une ligne « Sitemap: » qui indique l’emplacement exact du plan du site. C’est d’ailleurs la méthode recommandée par Google depuis l’abandon de l’ancien système de notification par ping en 2023. En consultant par exemple le plan du site Double Portion, on voit à quoi ressemble un sitemap bien structuré sur un site réel.
Sitemap index et fichiers enfants : lire un plan de site volumineux
Sur les sites de grande taille, le premier fichier rencontré n’est pas la liste complète des URL. C’est un sitemap index, un fichier qui pointe vers plusieurs sitemaps enfants. Chaque fichier enfant regroupe un lot d’URL, souvent organisé par type de contenu (articles, produits, catégories).
Google impose une limite par fichier : pas plus de 50 000 URL et pas plus de 50 Mo non compressés. Au-delà, le site doit découper son plan en plusieurs fichiers reliés par cet index. Pour explorer réellement toutes les pages, il faut donc ouvrir chaque fichier enfant, pas se contenter du premier niveau.
En pratique, on clique sur chaque lien du sitemap index dans le navigateur. Le fichier XML s’affiche avec les balises loc (l’URL de la page) et parfois lastmod (la date de dernière modification). Sur un site e-commerce avec des milliers de fiches produit, cette lecture fichier par fichier est le seul moyen d’avoir une vue complète.
La balise lastmod est-elle fiable pour repérer les mises à jour ?
Google précise que cette date n’est prise en compte que lorsqu’elle reflète de véritables changements de contenu. Beaucoup de CMS mettent à jour cette date à chaque régénération du fichier, sans modification réelle de la page. Une date lastmod récente ne garantit pas un contenu modifié. On ne peut donc pas s’y fier pour identifier les pages actualisées sans vérification manuelle.
Trois cas où le sitemap ne montre pas tout
Le plan du site reste un inventaire déclaratif. Il ne liste que ce que le générateur y inscrit. Plusieurs situations créent un décalage entre le contenu réel du site et ce que le sitemap affiche.
- Les pages orphelines (sans lien interne) sont souvent absentes du sitemap, surtout si celui-ci est généré automatiquement à partir de la structure de navigation du site
- Les pages exclues par une règle dans robots.txt ou par une balise noindex peuvent disparaître du fichier, même si elles restent techniquement accessibles via leur URL directe
- Les contenus générés dynamiquement (résultats de filtres, pages de recherche interne) ne figurent presque jamais dans un sitemap, car ils créeraient des milliers d’URL redondantes
Pour combler ces trous, on peut compléter la lecture du sitemap par un crawl du site avec un outil comme Screaming Frog ou Xenu. Ces logiciels suivent chaque lien interne et révèlent les pages que le sitemap ignore.
Utiliser Google Search Console et robots.txt pour croiser les données
Quand on gère son propre site, Google Search Console fournit la liste des pages indexées et signale celles qui posent problème. La section « Sitemaps » permet de soumettre le fichier et de vérifier combien d’URL ont été découvertes, puis combien sont effectivement indexées.
L’écart entre les deux chiffres est révélateur. Un sitemap peut déclarer plusieurs centaines de pages alors que Google n’en indexe qu’une fraction. Les causes varient : contenu trop mince, pages dupliquées, erreurs de redirection, ou simplement un crawl budget insuffisant pour un site volumineux.
Croiser sitemap et robots.txt pour détecter les incohérences
Le fichier robots.txt peut bloquer l’accès à des répertoires entiers tout en laissant leurs URL dans le sitemap. Ce conflit empêche les moteurs de recherche de traiter ces pages. Vérifier la cohérence entre les deux fichiers permet d’éliminer ces contradictions.
Concrètement, on ouvre robots.txt, on repère les lignes « Disallow », puis on compare avec les URL présentes dans le sitemap. Si une URL apparaît dans les deux, c’est une anomalie à corriger : soit on retire la page du sitemap, soit on supprime la règle de blocage.
Lire un sitemap sans connaissances techniques
Le format XML affiché brut dans le navigateur peut sembler rebutant. Certains navigateurs comme Chrome affichent les balises sans mise en forme, ce qui rend la lecture pénible sur un fichier de plusieurs milliers de lignes.
Quelques solutions simples facilitent cette lecture :
- Copier l’URL du sitemap dans un outil en ligne de visualisation XML, qui organise les données en tableau avec colonnes triables
- Utiliser une extension de navigateur dédiée aux fichiers XML, qui colore et indente automatiquement le contenu
- Ouvrir le fichier dans un tableur en important le XML, ce qui permet de filtrer et trier les URL par date ou par section du site
Le plan du site reste le point d’entrée le plus rapide pour cartographier un site web, à condition de ne pas le confondre avec un inventaire complet. Croiser ce fichier avec robots.txt, un crawl technique ou Search Console donne une image bien plus fidèle de ce qu’un site contient réellement.
