10+1 cosas que deberías saber sobre los archivos robots.txt e indexación SEO

Hace tiempo que no comentamos muchas cosas de posicionamiento web por aquí. Así que para que no se afirme el día de hoy he sacado de bocetos una serie de apuntes sobre uno de los básicos del posicionamiento en buscadores del que la mayoría de gente ignora detalles muy importantes: El fichero robots.txt, uno de los básicos de la indexación posicionamiento SEO. Robots.txt es un archivo destinado a indicar a los motores de búsqueda que URLs tiene derecho a visitar y de cuales debería abstenerse. El funcionamiento es simple: ya antes de visitar una URL del site un robot debería mirar en este archivo para determinar si tiene que ir ahi a recoger información o bien si por contra el dueño del site prefiere que no entre. En definitiva son solo indicaciones que cualquier robot puede saltarse si desea, mas a las que el robot de google hace bastante caso (que tampoco al 100 por cien ).

El fichero robots.txt es uno de esos temas técnicos del que todo posicionamiento en buscadores debe saber lo suficiente para manipularlo con éxito. Por ello el mismo Google en su soporte nos señala como podemos crear el nuestro:.

Se nos da información muy directa y fácil de asimilar. La redacción de estos archivos es sencillísima si bien cualquier fallo, por mínimo que sea, podría provocar que las arañas no entrasen en las páginas que nosotros deseamos. En el mejor de los casos eso provocará que sigan visitando URLs en las que no querríamos que perdiesen el tiempo en el peor será todo lo contrario: no indexarán contenidos que realmente si que queremos que aparezcan en el buscador. Es el tipíco aspecto esencial que de fácil que es la gente no se toma suficientemente en serio, y ahí esta el problema: la documentación de Google está bien si bien no cubre todas las pecularidades sobre como se va a interpretar dicho archivo y si nos quedamos solo ahí podemos cometer errores que lamentaremos en el futuro.

Así puesto que, os dejo 10 conceptos sobre estos archivos que hay que tener en cuenta y digerir. Desde lo más básico hasta consejos que solo en webs complejas o bien con mucho detalle de optimización del crawl budget podremos aplicar.

Back to top

1) Previo: El formato general del robots.txt

Un Robots.txt es fácil...

1. Comenzamos declarando en una línea el usuario-agent (nombre del sistema que está navegando o rastreando el site) al que queremos afectar y tras esta indicaremos los accesos permitidos y prohibidos.
- Muy frecuentemente declararemos un accceso a todos (user-agent:*) y en ocsaiones nos referiremos a algún robot o bien crawler particularmente (usuario-agent:googlebot).

2. Después usamos directivas "Allow: expresion" y "Disallow: expresion" para indicar si damos acceso o bien lo suprimimos. Por defecto podríamos decir que un robot tiene acceso a todas y cada una de las URLs del site ("Allow:*") pero aunque esto ya es así desde el comienzo mucha gente decide dejarlo declarado de forma explicita y proseguir prohibiendo desde ahí. Por eso incluso siendo innecesario no debe semejarnos extraño ver un robots que comienza por "Allow: *".

3. Por último, podemos señalar nuestro sitemap.xml si lo deseamos (sitemap: sitemap.xml). Esto para Google carece de relevancia si administramos adecuadamente Google Search Console, si bien puede asistir a otros robots a leerlo así que mal no va a hacernos declararlo.

Una cosa curisosa de este archivo sitemap es que puede estar alojado incluso en otros dominios distintos al nuestro (esto puede ser útil si por poner un ejemplo precisamos hacer subidas con cambios del archivo cada cierto tiempo y en la web que trabajamos no nos lo dejan ir actualizando de forma tan ágil).

Así un ejemplo que cubra todo lo que acabamos de mencionar sería el siguiente:

Visto esta base, que es lo más conocido del robots, vayamos a por los conceptos que no todo el planeta tiene tan dominados...

Back to top

2) 1. Donde colocas tu fichero es más esencial de lo que creees.

Existe mucha confusión con este punto, en parte porque la documentación en el pasado (en verdad cuando escribi este blog post yo mismo lo detallé mal) El archivo robots.txt siempre y en todo momento se busca en la senda "/robots.txt" de tu dominio. El robots.txt afecta al host donde está alojado pero solo a este host preciso. Esto supone que un subdominio no hará caso al robots.txt de su host superior y que http y https emplean archivos diferentes. ¿Por qué etonces vemos sitios donde una configuración bloquea a otra? Lo veremos más adelante pero es sobretodo por temas de hosts redirigidos plenamente con un trescientos uno. Esto es, cuando vemos que el robots.txt de afecta también a midominio.com en general es porque existe una redirección de "midominio.com/robots.txt" a "/robots.txt" y por consiguiente se lee el mimso fichero para ambos hosts. Lo mismo pasa con http y https, si uno esta redirigido al otro se aplica exactamente el mismo fichero a ambos.

Pero en definiva vendría a ser esto:

Así pues:

• midominio.com/robots.txt>>NO afecta a y a weblog.midominio.com
• dev.midominio/robots.txt>>Afecta a dev.midominio.com pero no a blog.dev.midominio.com
• /robots.txt>>Afecta a mas no a blog. y solo afectará a midominio.com si hay un redirect de midominio.com/robots.txt a /robots.txt

Además también hay que suprimir la creencia de que el robots.txt actúa como muchos piensan sobre carpetas concretas del site. Esto no es cierto: Google solo lo lee si está en la raiz del documento:

"midominio.com/blog/robots.txt" no sirve para nada. Google no va a intentar leerlo ni tiene porque hacerle caso. Algunos CMS se empeñan en añadirlo pero esto no forma parte de la definición oficial del fichero robots.txt.

Back to top

3) 2. El tipo y tamaño de archivo puede afectar a que no se lea tu fichero robots.txt

Lo ideal es que un robots.txt esté codificado en UTF-ocho para no tener problemas de lectura. Mas la verdad es que los ficheros de texto pueden tener múltiples codificaciones y si por servirnos de un ejemplo creas el fichero desde tu bloc de notas de windows probablemente su formato sea otro. Es recomendable emplear editores de texto plano más profesionales (como por ejemplo, por daros una opción fácil y pontente notepad++ ) donde entre otras muchas cosas se os deje elegir la codificación del archivo.

Aun así Google nos dice que puede leer otras codificaciones, lo que pasa en estos casos no es tanto que el pueda o bien no, sino que al producirlo se escriba en una codificación y el servidor lo devuelva en otra. Eso puede provocar los típicos caracteres extraños que terminan en que el archivo no funcione o bien no se lea de forma conveniente.

Aun dentro de los ficheros UTF-8 hay una cosa en estos ficheros que lleva por nombre. Lo ideal es que los archivos simples no tengan BOM mas Google es capaz de leer el robots.txt con un BOM inicial (y solo uno y solo al principio) así que si vuestro archivo tiene BOM no pasa nada.

Otra limitación la tenemos en el tamaño. Google nos limita a 500MB, (1/2 GB) si lo pasamos no leerá el fichero. Así que debemos economizar estos archivos y ya no solo por no acercanos a los 500MB sino por el hecho de que son archivos muy consultados por los robots y a mayor tamaño más desgaste de proceso y red en el servidor.

Back to top

4) 3. Un disallow solo prohíbe leer el contenido no indexar (y de primeras no está centrado a desindexar)

Un aviso: No es lo mismo un <meta name="robots" content="noindex" /> que un disallow en el robots. Significan cosas totalmente distintas.

• Disallow prohibe a las arañas leer el HTML de la página. Mas puede leer la URL y aparecer esta en búsquedas con información a partir de otras páginas y enlaces de internet. Además con un disallow no eliminamos lo que sabía Google de esas páginas y no es extraño que tras añadir una URL como disallow veamos como el resultado se sostiene un tiempo en el buscador. Definitivamente no es una forma rápida de desindexar, va más dirigido a temas de rastreo y a acciones a medio o bien largo plazo.
• Por el contrario con un NoIndex en el meta-robots si deja a la araña rastrear el HTML pero prohíbe que su resultado salga en Google. Es el efecto contrario: las arañas prosiguen perdiendo el tiempo con esa página mas los resultados desaparecen ya antes del buscador

Todo esto lógicamente con matices... Con el tiempo un Disallow provocará la desindexación si no hay links externos cara esa página y al contrario un meta-robots a noindex terminará provocando menor rastreo de esa url que total Google no puede trabajar.

Un aviso: No es lo mismo un <meta name="robots" content="noindex" /> que un disallow en el robots. Significan cosas absolutamente distintas.

• Disallow prohibe a las arañas leer el HTML de la página. Pero puede leer la URL y aparecer esta en búsquedas con información desde otras páginas y enlaces de internet. Además con un disallow no suprimimos lo que sabía Google de esas páginas y no es extraño que tras añadir una URL como disallow veamos como el resultado se mantiene un tiempo en el buscador. Claramente no es una forma rápida de desindexar, va más dirigido a temas de rastreo y a acciones a medio o bien largo plazo.
• Por el contrario con un NoIndex en el meta-robots si deja a la araña rastrear el HTML pero prohíbe que su resultado salga en Google. Es el efecto contrario: las arañas prosiguen perdiendo el tiempo con esa página mas los resultados desaparecen ya antes del buscador

Todo esto evidentemente con matices... A la larga un Disallow provocará la desindexación si no hay links externos cara esa página y al contrario un meta-robots a noindex terminará provocando menor rastreo de esa url que total Google no puede trabajar.

Back to top

5) 4. Si el contenido no se lee, como es lógico, las directivas del HTML se ignoran

No tiene sentido un disallow+noindex o un disallow+canonical o disallow+rel-next/prev o bien un disallow+loquesea-en-el-html. Google no va a contemplar este HTML porque le hemos prohibido acceder a el así que ahórrate su etiquetado.

Lo mismo pasa si bien en menor medida con las redirecciones. Si yo creo una redirección 301 de una URL vieja a una nueva y al mismo tiempo bloqueo la vieja por robots.txt Google no debería enterarse de que he creado un 301 (porque no debería acceder a la URL con 301) así que el traspaso de autoridad no se realizará de forma eficiente. En la práctica a veces si se da cuenta de la redirección mas por norma general se pierde mucha autoridad al hacer estas cosas.

Otro caso es el de meta-robots=noindex unido a otras directivas. En teoría nada impide que no puedas poner por ejemplo un noindex y un canonical al unísono, se puede pero es un poco especial y en realidad su interpretación es muy ambigua. Y ante estos casos ambiguos sabemos que Google decide ignorar todas y cada una de las señales del HTML (por no fiarse de ellas) con lo que si bien en teoría si se puedan hacer estas cosas no os recomendaría ninguna salvo la de "noindex,follow" e incluso esa, de forma cuidadosa (puesto que un noindex se rastrea poco, así que ponerle un follow termina siendo un poco contradictorio).

Back to top

6) 5. La redacción de las URLs es bien simple, pero muy específica y sus reglas de lectura no son tan intuitivas como podría parecer.

La vamos a repasar pues llegados al detalle tiene miga y la gente comete muchos fallos.

Cada línea debe iniciar con una orden (allow/disallow) y cada orden hay que escribirla con mucho cuidado.

• Si las urls no empiezan con un slash ("/") google lo añadirá. Es decir: "disallow: blog" google lo entenderá como "disallow: /blog" y "disallow: -producto" como "disallow: /-producto".
• La regla que aplica Google no es un "contiene", nuestra declaración debe empear por el principio de la URL. Reglas tipo "disallow: .doc" no marchan por el hecho de que falta el principio de la URL. De echo entenderá que la url a prohibir es urls que empiecen por "/.doc".

  Esto tiene múltiples implicaciones:

  • La solución cuando lo que deseamos es acotar unas partes del final o fragmentos de las URLs es redactarlas como sigue: "/*-producto" o bien "/*.doc" señalando que empieza por cualquier cosa y luego si contiene ese indicio que queremos detectar.
  • Si pensamos en declarar carpetitas de la web todo se vuelve más fáficl puesto que Google entenderá que se hace referencia a esa dirección y a todos los achivos internos que contengan esas carpetitas. O sea, al apuntar "/mi-carpeta" como disallow, también prohíbo el acceso a "/mi-carpeta/mi-archivo".
• Las indicaciones allow/disallow no son sensibles a mayúsculas y minúsculas, pero las URLs que se definen en ellas si lo son. Esto es yo puedo redactar "disallow:" o "Disallow:" o "DISALLOW:" y es lo mismo pero "/mi-pagina" y "/MI-PAGINA" no son la misma URL.
• Se nos permite usar los comodines * y $ para completar las URLs:
  • "*" equivale a cualquier conjunto de caracteres. (el equivalente en expresiones regulares a ".*")
    • "disallow: /blog*" bloqueará la carpeta /blog/ pero tambien cualquier archivo o carpetita cuya url empiece por "/blog", por servirnos de un ejemplo "/blogueria.html"
    • "disallow: /*.doc" si que marcha puesto que contemplamos cualquier cáracter al principio y aguardamos que acabe por .doc
  • " dólares americanos " Nos deja forzar que ese sea el final de la URL, sin permitir nada tras ella:
    • "disallow: /categoria/ dólares americanos " solo bloqueará el acceso a la página de categoría "/categoria/" mas no a archivos internos como "/categorias/post"
    • "disallow: /blog$ " solo bloqueará el fichero "/blog" pero no la carpeta "/blog/"
  • Se nos deja sobrescribir reglas por servirnos de un ejemplo permitir el rastreo de una parte de una regla ya prohibida o bien prohibirlo entonces de nuevo para una regla que lo permitía.

    disallow: /blog/ allow: /blog/$  allow: /blog/categoria-1

  Si rastreará tanto la home como la categoria-1 del blog, mas no el resto por el hecho de que todo el resto de URLs siguen prohibidas

• Por último, las reglas no se aplican por orden de lecturasino por lo detallas que son.
  La norma es que Las Reglas más largas pesan más que las más cortas.
  Así:

  disallow: /blog-corporativo/ allow: /*.html

  No conseguirá que se rastreen los archivos ".html" dentro de /blog-corporativo puesto que es más larga la expresión de weblog-corporativo y por lo tanto pesa más.

  Pero esta otra composición si lo hará:

  disallow: /blog-corporativo/ allow: /blog-corporativo/*.html

  Porque ahora "/blog-corporativo/*.html" es más largo que "/blog-corporativo/" ... así de simple, pero también así de ilógico.

Esto tiene múltiples implicaciones:

• La solución cuando lo que deseamos es delimitar unas partes del final o bien fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" señalando que comienza por cualquier cosa y luego si contiene ese rastro que queremos detectar.
• Si pensamos en declarar carpetas de la página web todo se vuelve más fáficl pues Google entenderá que se hace referencia a esa dirección y a todos los achivos internos que contengan esas carpetas. O sea, al apuntar "/mi-carpeta" como disallow, también prohíbo el acceso a "/mi-carpeta/mi-archivo".

• "*" equivale a cualquier conjunto de caracteres. (el equivalente en expresiones regulares a ".*")
  • "disallow: /blog*" bloqueará la carpetita /blog/ mas tambien cualquier fichero o carpetita cuya url empiece por "/blog", por poner un ejemplo "/blogueria.html"
  • "disallow: /*.doc" si que funciona puesto que contemplamos cualquier cáracter al comienzo y esperamos que acabe por .doc
• " dólares americanos " Nos deja forzar que ese sea el final de la URL, sin permitir nada tras ella:
  • "disallow: /categoria/ dólares americanos " solo bloqueará el acceso a la página de categoría "/categoria/" pero no a archivos internos como "/categorias/post"
  • "disallow: /blog dólares americanos " solo bloqueará el archivo "/blog" pero no la carpeta "/blog/"
• Se nos deja sobreescribir reglas por ejemplo permitir el rastreo de una parte de una regla ya prohibida o prohibirlo luego nuevamente para una regla que lo permitía.

  disallow: /blog/ allow: /blog/ dólares americanos  allow: /blog/categoria-1

Si rastreará tanto la home como la categoria-1 del blog, pero no el resto pues todo el resto de URLs siguen prohibidas

• "disallow: /blog*" bloqueará la carpetita /blog/ mas tambien cualquier fichero o carpetita cuya url comience por "/blog", por servirnos de un ejemplo "/blogueria.html"
• "disallow: /*.doc" si que funciona pues contemplamos cualquier cáracter al principio y aguardamos que acabe por .doc

• "disallow: /categoria/ dólares americanos " solo bloqueará el acceso a la página de categoría "/categoria/" mas no a archivos internos como "/categorias/post"
• "disallow: /blog dólares americanos " solo bloqueará el archivo "/blog" mas no la carpeta "/blog/"

Si rastreará tanto la home como la categoría-1 del weblog, mas no el resto pues todo el resto de URLs siguen prohibidas

No conseguirá que se rastreen los archivos ".html" dentro de /blog-corporativo puesto que es más larga la expresión de blog-corporativo y por tanto pesa más.

Pero esta otra composición si lo hará:

Porque ahora "/blog-corporativo/*.html" es más largo que "/blog-corporativo/" ... así de simple, pero también así de ilógico.

Back to top

7) 6. Las opciones alternativas para evitar rastreo/indexación a robots.txt o meta-robots no son igualmente pontentes.

Y esto es así... No hay nada más potente y duradero que una sentencia de robots.txt...

• En Google Search Console puedes emplear la herramienta de borrar contenido y estas URLs se borrarán. Mas Google aproximadamente a los noventa días olvidará que le habías pedido borrar la URL y si por lo que sea vuelve a hallarla la volverá a indexar. Con lo que sirve para eliminar errores puntuales pero no para suprimir URLs que van a seguir ahí.
• En Google Search Console puedes emplear la herramienta de parámetros de URL para señalar si un contenido aporta cambios en la url o no mas esto no es líder, Es solo una ayuda como puede ser el sitemaps y si Google piensa que los parámetros indicados son interesantes (cambian el contenido del HTML) la usará igual. Básicamente solo es útil para indicar que no indexe URLs de campañas y ayudar un poco con los listados. Lo que seguro que no evitará esta función es que los robots entren en dicha URL

Back to top

8) 7. Todas y cada una de las directivas no contempladas en la deficnición del robots se ignoran.

Por ejemplo el famoso "Crawl-delay" se ignora. En teoría debería apuntar tiempo entre peticiones de robots mas no le hace caso así que podemos olvidarnos de esta sentencia cuando menos para Google (otros rastreadores si que le hacen caso).

Todas las directivas inventadas por terceros también se pasan por alto.

Y por último las líneas que empiezan por "#" también se ignoran al comprenderse como comentarios. No obstante si que cuentan en el tamaño del archivo máximo así que es mejor no pasarse con su uso. Una recomendacion para comentarios: Cuando trabajamos con múltiples proyectos o bien muchos sites es mejor incluir notas de la version subida como comentario.:

Back to top

9) 8. ¿Que pasa cuando Google no puede acceder o bien halla cosas extrañas al acceder a tu archivo robots?

Ya hemos dicho que el archivo robots.txt siempre y en toda circunstancia se busca en la ruta "/robots.txt" de tu dominio. Y que si no lo halla, podrá ir a buscarlo a un nivel superior de dominio (si existe). Por ejemplo si no lo halla en /robots.txt irá a procurarlo a dominio.com/robots.txt

Pero veamos ahora que pasa cuando lo solicita. Un servidor lo que hará cuando reciba la petición del archivo robots.txt es devolver un código de respuesta diciéndole a las arañas si lo está encontrando o no.

• Código "200". Quiere decir que el archivo SI existe. Entonces lo leerá y aplicará sus normas. Si está vacío o bien googlebot no tiene indicaciones "disallow" entenderá que tiene acceso a todo y entrará hasta la cocina de la web
• Códigos "4xx" (404, cuatrocientos uno, 403, etc. Quiere decir que el fichero no existe o no está abierto al público. En ese caso google lo entenderá como un fichero vacío y dará acceso a todo como si no contuviera disallows.
• Código "301". Significa "contenido movido permanentemente" y viene acompañado de una URL donde está el nuevo contenido. Google interpreta en todos los sentidos que el contenido de esta URL a la que redirige robots.txt es el propio robots.txt, incluso si hay un cambio de carpeta, la URL está en otro dominio o bien si la URL no tiene el nombre "robots.txt".

  Conocer este detalle puede ser útil para administrar robots.txt programados en ciertos sistemas. Podemos tratar la URL de /robots.txt solo como una redirección a donde realmente administramos nuestro fichero robots.txt.

  Sin embargo también puede suponer un problema en migraciones mal efectuadas de un dominio a otro o bien de http a https. En estos casos podemos toparnos con que al migrar un site devolvemos un 301 hacia el nuevo site con el robots.txt con lo que estaríamos aplicando el robots.txt nuevo al viejo dominio dejando de bloquear las urls viejas y pudiendo provocar una cascada de detección de errores y pérdida de tiempos de rastreo. Por general la recomendación debería ser que todos y cada uno de los sites tengan su propio /robots.txt y que nunca se redirija mas esto en la mayoría de los casos no se hace así.

• Otros códigos (sobretodo quinientos tres). Si hay un fallo en servir el archivo, Google comprende que el dominio está caído y para no incordiar para el rastreo del site y solo consultará el archivo 503 hasta el momento en que su fallo cambie. Parar el rastreo no supone desindexar, salvo que sostengamos así el servidor tanto que empiecen a perder fuerza los enlaces y contenidos de la página, por lo general mejor no hacerlo más de unas horas.

  El cómo actúa Google si este fallo persiste en el tiempo no lo sabemos precisamente mas por el motivo que sea suele llevar a perdidas de autoridad y a que se intente reindexar la página web. Por esta razón, cuando hay errores técnicos en una web, y se están solucionando en ese mismo día, es preferible obligar al archivo robots.txt a que devuelva fallo 503 y así parar la indexación completa del site hasta que se arregle el inconveniente. Esto es mucho mejor que bloquear el rastreo puesto que lo segundo tiene implicaciones más severas y un simple quinientos tres es totalmetne temporal.

• Sin respuesta. Otra posibilidad es que el servidor no devuelva nada o bien tarde demasiado tiempo en hacerlo (por inconvenientes de configuración o pues la maquina está demasiado saturada). En esos casos Google tira de la caché que tiene de este archivo durante un tiempo. Esto es, interpreta el último fichero robots.txt al que pudo acceder y trabaja como si fuera este el que está subido.

Conocer este detalle puede ser útil para administrar robots.txt programados en algunos sistemas. Podemos tratar la URL de /robots.txt solo como una redirección a donde verdaderamente administramos nuestro archivo robots.txt.

Sin embargo también puede suponer un problema en migraciones mal realizadas de un dominio a otro o de http a https. En estos casos podemos toparnos con que al migrar un site devolvemos un 301 cara el nuevo site con el robots.txt con lo que estaríamos aplicando el robots.txt nuevo al viejo dominio dejando de bloquear las urls viejas y pudiendo provocar una cascada de detección de errores y pérdida de tiempos de rastreo. Por general la recomendación debería ser que todos los sites tengan su /robots.txt y que nunca se redirija pero esto en la mayoría de los casos no se hace así.

El cómo actúa Google si este error persiste en el tiempo no lo sabemos exactamente mas por el motivo que sea acostumbra a llevar a perdidas de autoridad y a que se intente reindexar la web. Por esta razón, cuando hay errores técnicos en una web, y se están solucionando en ese mismo día, es preferible obligar al fichero robots.txt a que devuelva error 503 y así parar la indexación completa del site hasta que se arregle el problema. Esto es mucho mejor que bloquear el rastreo ya que lo segundo tiene implicaciones más severas y un simple 503 es totalmetne temporal.

Back to top

10) 9. El bloqueo de ficheros JS y CSS puede ocasionar inconvenientes e incluso está mal visto por el buscador

Google recomeinda no Bloquear archivos CSS y JS. Antigüamente eran archivos que se solían bloquear porque no le servian a las arañas para nada. Pero ahora los robots de google son capaces de interprertar el HTML y así situar los contenidos en su contexto (saben si un texto es grande o bien pequeño, el color de fondo o que sitio ocupan en el diseño y lo visibles que son los contenidos para los usuarios. Así que Google nos pide que le dejemos acceder a esto y así valorar la página web al completo.

Si no les damos acceso a estos archivos es cuando comienza a mandarnos notificaciones y en la práctica la autoridad/calidad que percibe de nuestra página web disminuye.

Esto no quiere decir que no podamos jamás bloquearle un archivo JS (todos sabemos para qué &#x1F608;) pero si que hay que evitar este bloqueo a nivel general.

Back to top

11) 10. Google entra en contenidos cuatrocientos mas no si se le bloquea

Los contenidos cuatrocientos (páginas no encontradas, o cuatrocientos uno que suelen estar bajo login, etc.) si que son accedidos por las arañas. Google lo intenta y se halla al visitar las páginas con que estas no responden y en consecuencia no indexan.

Al final con esta situación lo que provocamos es perder tiempo de rastreo en URLs que nunca se marchan a indexar así que acostumbra a ser preferible bloquearles el acceso directamente. Pensemos en cualquier URL, incluso las de destino de los formularios de Google y una vez las tengamos presentes:

• 1. Evitemos que el HTML muestre links hacia ellas
• 2. Con independencia de si este acceso existe o no, marquemolas con con disallow en el robots

Back to top

12) Bonus. Es posible enviar un noindex desde tu servidor creando una especie de robots.txt mas para noindex y nofollow

No cuento este punto entre los diez conceptos puesto que en realidad habla más de directivas de indexación que de robots.txt y es más una posibildiad que no es fácil de incorporar para todos ( y en su versión más sencilla no está recomendado y no sabemos verdaderamente si marcha).

Hablamos de localizar alguna forma no para prohibir el rastreo sino más bien para prohibir la indexación: el equivalente a la metaetiqueta de robots marcada a "noindex" que comentabamos antes. Sobre este tema podréis leer de todo, lo más común es que os encontréis artículos que os charlen de la directiva "noindex:" en el fichero robots.txt

Esta directriz viene a decirnos que podemos crear sentencias noindex en el archivo robots con la misma nomenclatura.

Por ejemplo:

Vendria a decirle al robot que puede navegar por la categoría-1 y rastrearla mas que los contenidos de las páginaciones de esta categoría no deben aparecer en el índice de búsqueda.

Seria excelente que nos dejasen hacer esto en tanto que como comentaba antes bloquear una URL no implica desindexarla y así tendríamos un control total sobre todo esto. No obstante, y pese a que podréis ver como muchos SEOs lo mientan e incluso, Google ya nos ha dicho quey mientras lo prosigan diciendo creo que carece de sentido hacerlo. Así que no gozamos de esta posibilidad...

En su lugar tenemos otra forma más difícil pero efectiva a nivel de servidor que podemos usar. Google tiene documentado el empleo de directivas robots (index/noindex,follow/nofollow) con el uso de "x-robots-tag" en las cabeceras.tan solo debemos enviar una cabecera del tipo "x-robots-tag" con el mismo valor que pondríamos a la meta-etiqueta robots para para pasarlo desde servidor y no desde HTML.

A parte del propio sistema, esto nos abre la puerta a crear un archivo que gestione estas cabeceras en nuestro servidor. Podemos hacer esto con el lenguaje de programación de nuestro CMS (PHP, Java, .Net, etcétera) o bien directametne en la configuración del servidor. En ella gracias a los archivos .htaccess y .htconfig podemos declarar el envio de cabeceras en un único archivo que definia qué puede y qué no puede indexar el robot.

Ejemplo para marcar un noindex,follow en paginaciones de tu web a través del fichero .htconfig:

Marcar no indexar incluir caché o descripción de los archivos PDF en el .htaccess...

O no indexar paginaciones a través del módulo de modRewrite con el que administramos nuestras URLs amigables y redirecciones:

Pero no deseo estenderme demasaido con este sistema, si deseas leer más sobre como ponerlo en práctica te recomiendo que visites otro artículo de este weblog donde detallo otras. En la última de ellas se explica al detalle este sistema.

Back to top

13) Conclusión

No se si os habrá pasado como a mi conforme he ido descubriendo con los años todo cuanto os he expuesto en este post, mas lo cierto es que como todo en el posicionamiento en buscadores, te percatas de que nunca sabes lo suficiente de todo. Me pareció interesante compendiar todo esto por el hecho de que prosigo viendo con el tiempo que los inconvenientes que existen en muchos sites debido a no entender bien los ficheros robots.txt siguen ahí año tras año y nadie habla de ellos demasiado.

Asi que espero haber ayudado a algunos y a otros haberles descubierto algún detalle que desconociesen.

Como siempre y en toda circunstancia os espero en los comentarios o por twitter.

¿Te gustó este artículo? Puedes proseguir sus comentarios a través de, o bien realizardesde tu blog.

Back to top