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

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

El archivo robots.txt es uno de esos temas técnicos del que todo posicionamiento en buscadores ha de saber lo suficiente como para manipularlo con éxito. Por ello exactamente el mismo Google en su soporte nos indica 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 caso 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 deseamos que aparezcan en el buscador. Es el tipíco aspecto importante que de fácil que es la gente no se toma lo suficientemente en serio, y ahí esta el problema: la documentación de Google está bien aunque no cubre todas y cada una de las pecularidades sobre como se va a interpretar dicho archivo y si nos quedamos solo ahí podemos cometer fallos que lamentaremos en el futuro.

Así pues, os dejo diez conceptos sobre estos archivos que hay que tener en cuenta y digerir. Desde lo más básico hasta consejos que solo en webs complejas o con mucho detalle de optimización del crawl budget vamos a poder aplicar.

Back to top

1) Previo: El formato general del robots.txt

Un Robots.txt es fácil...

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

2. Después empleamos 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 las URLs del site ("Allow:*") mas aunque esto es ya así desde el comienzo bastante gente decide dejarlo declarado de forma explicita y continuar prohibiendo desde ahí. De ahí que aun siendo innecesario no debe parecernos raro ver un robots que empieza por "Allow: *".

3. Por último, podemos apuntar nuestro sitemap.xml si lo queremos (sitemap: sitemap.xml). Esto para Google carece de relevancia si administramos apropiadamente Google Search Console, si bien puede ayudar 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 aun 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 terminamos 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 pones tu archivo es más importante de lo que creees.

Existe mucha confusión con este punto, en parte pues la documentación anteriormente (en verdad cuando escribi este artículo yo mismo lo detallé mal) El archivo robots.txt siempre 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 usan ficheros diferentes. ¿Por qué etonces vemos sitios donde una configuración bloquea a otra? Lo vamos a ver más adelante mas es sobretodo por temas de hosts redirigidos totalmente con un 301. Es decir, cuando vemos que el robots.txt de afecta también a midominio.com en general es por el hecho de que existe una redirección de "midominio.com/robots.txt" a "/robots.txt" y por ende 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 los dos.

Pero en definiva vendría a ser esto:

Así pues:

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

Además también hay que quitar la creencia de que el robots.txt actúa como muchos piensan sobre carpetitas 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 por el hecho de que hacerle caso. Ciertos CMS se empeñan en añadirlo mas esto no forma parte de la definición oficial del archivo robots.txt.

Back to top

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

Lo ideal es que un robots.txt esté codificado en UTF-8 para no tener problemas de lectura. Pero lo cierto es que los archivos de texto pueden tener varias codificaciones y si por ejemplo creas el archivo desde tu bloc de notas de windows probablemente su formato sea otro. Es recomendable emplear editores de texto plano más profesionales (como por servirnos de un ejemplo, por daros una opción sencilla y pontente notepad++ ) donde entre otras cosas se os deje escoger la codificación del fichero.

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

Aun en los archivos UTF-8 hay una cosa en estos archivos que lleva por nombre. Lo idóneo es que los ficheros simples no tengan BOM mas Google es capaz de leer el robots.txt con un BOM inicial (y solo uno y solo al comienzo) 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 archivo. Así que debemos economizar estos ficheros y ya no solo por no acercanos a los 500MB sino por el hecho de que son ficheros 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 focalizado a desindexar)

Un aviso: No es exactamente 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 a partir de otras páginas y links de internet. Además con un disallow no suprimimos lo que ya 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. Claramente no es una forma rápida de desindexar, va más dirigido a temas de rastreo y a acciones a medio o 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 pero 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 hacia esa página y por contra un meta-robots a noindex terminará provocando menor rastreo de esa url que total Google no puede trabajar.

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

• Disallow prohibe a las arañas leer el HTML de la página. Pero puede leer la URL y aparecer esta en búsquedas con información a partir de otras páginas y links 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 sostiene 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 siguen perdiendo el tiempo con esa página pero los resultados desaparecen ya antes del buscador

Todo esto lógicamente 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 bien un disallow+canonical o bien disallow+rel-next/prev o bien un disallow+loquesea-en-el-html. Google no va a contemplar este HTML por el hecho de que le hemos prohibido acceder a el así que ahórrate su etiquetado.

Lo mismo pasa aunque en menor medida con las redirecciones. Si creo una redirección trescientos uno 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 (pues no debería acceder a la URL con trescientos uno) así que el traspaso de autoridad no se realizará de forma eficiente. En la práctica en ocasiones si se da cuenta de la redirección pero 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 servirnos de un ejemplo un noindex y un canonical a la vez, se puede mas es un poco singular y realmente su interpretación es muy equívoca. Y ante estos casos equívocos sabemos que Google decide ignorar todas las señales del HTML (por no fiarse de ellas) con lo que aunque en teoría si se puedan hacer estas cosas yo no os recomendaría ninguna salvo la de "noindex,follow" e inclusive esa, con cuidado (puesto que un noindex se rastrea poco, así que ponerle un follow acaba siendo un poco contradictorio).

Back to top

6) 5. La redacción de las URLs es simple, mas 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 comenzar 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. Normas tipo "disallow: .doc" no marchan porque 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 queremos es acotar unas partes del final o bien fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" indicando que comienza por cualquier cosa y después si contiene ese indicio que deseamos detectar.
  • Si pensamos en declarar carpetas de la web todo se vuelve más fáficl pues Google entenderá que se hace referencia a esa dirección y a todos y cada uno de los achivos internos que contengan esas carpetas. Es decir, al indicar "/mi-carpeta" como disallow, también prohíbo el acceso a "/mi-carpeta/mi-archivo".
• Las directrices allow/disallow no son sensibles a mayúsculas y minúsculas, mas las URLs que se definen en ellas si lo son. Es decir puedo redactar "disallow:" o bien "Disallow:" o "DISALLOW:" y es exactamente lo mismo pero "/mi-pagina" y "/MI-PAGINA" no son exactamente la misma URL.
• Se nos deja utilizar los comodines * y dólares americanos para completar las URLs:
  • "*" equivale a cualquier conjunto de caracteres. (el equivalente en expresiones regulares a ".*")
    • "disallow: /blog*" bloqueará la carpetita /blog/ mas tambien cualquier fichero o bien carpetita cuya url empiece por "/blog", por poner un ejemplo "/blogueria.html"
    • "disallow: /*.doc" si que marcha pues contemplamos cualquier cáracter al comienzo y esperamos que acabe por .doc
  • "$ " Nos permite forzar que ese sea el final de la URL, sin permitir nada tras ella:
    • "disallow: /categoria/$ " solo bloqueará el acceso a la página de categoría "/categoria/" pero no a archivos internos como "/categorias/post"
    • "disallow: /blog$ " solo bloqueará el fichero "/blog" pero no la carpeta "/blog/"
  • Se nos permite sobreescribir reglas por servirnos de un ejemplo permitir el rastreo de parte de una regla ya prohibida o bien prohibirlo luego de nuevo 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

• Por último, las reglas no se aplican por orden de lecturasino por lo especificas 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 ficheros ".html" dentro de /blog-corporativo dado que es más larga la expresión de blog-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, mas también así de ilógico.

Esto tiene varias implicaciones:

• La solución cuando lo que queremos es delimitar unas partes del final o fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" indicando que empieza por cualquier cosa y luego si contiene ese indicio que deseamos advertir.
• Si pensamos en declarar carpetitas de la 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. Esto es, al indicar "/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 carpeta /blog/ pero tambien cualquier archivo o carpetita cuya url comience por "/blog", por poner un ejemplo "/blogueria.html"
  • "disallow: /*.doc" si que marcha pues contemplamos cualquier cáracter al comienzo 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/" pero no a ficheros internos como "/categorias/post"
  • "disallow: /blog dólares americanos " solo bloqueará el archivo "/blog" pero no la carpetita "/blog/"
• Se nos permite sobrescribir reglas por servirnos de un 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/$  allow: /blog/categoria-1

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

• "disallow: /blog*" bloqueará la carpetita /blog/ pero también cualquier fichero o bien carpetita cuya url comience por "/blog", por ejemplo "/blogueria.html"
• "disallow: /*.doc" si que funciona pues contemplamos cualquier cáracter al comienzo y aguardamos que acabe por .doc

• "disallow: /categoria/$ " 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 fichero "/blog" mas no la carpeta "/blog/"

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

No conseguirá que se rastreen los archivos ".html" dentro de /blog-corporativo dado que es más larga la expresión de blog-corporativo y en consecuencia pesa más.

Pero esta otra composición si lo hará:

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

Back to top

7) 6. Las opciones alternativas para eludir rastreo/indexación a robots.txt o bien 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 usar la herramienta de borrar contenido y estas URLs se borrarán. Pero Google más o menos a los noventa días olvidará que le habías pedido borrar la URL y si con lo que sea vuelve a hallarla la volverá a indexar. Por lo que sirve para eliminar errores puntuales pero no para suprimir URLs que van a continuar ahí.
• En Google Search Console puedes emplear la herramienta de parámetros de URL para señalar si un contenido aporta cambios en la url o bien no pero esto no es mandatario, 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 señalar que no indexe URLs de campañas y asistir un poco con los listados. Lo que seguro que no evitará esta función es que los robots entren en tal URL

Back to top

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

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

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

Y por último las lineas que comienzan por "#" también se ignoran al comprenderse como comentarios. Sin embargo si que cuentan en el tamaño de archivo máximo así que es mejor no pasarse con su empleo. Una recomendacion para comentarios: Cuando trabajamos con varios 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 encuentra cosas raras al acceder a tu fichero robots?

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

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

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

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

  Sin embargo también puede suponer un inconveniente 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 trescientos uno 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 catarata de detección de fallos y pérdida de tiempos de rastreo. Por general la recomendación debería ser que todos y cada uno de los sites tengan su /robots.txt y que nunca se redirija pero 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 entiende que el dominio está caído y para no molestar para el rastreo del site y solo consultará el fichero 503 hasta que su error cambie. Parar el rastreo no supone desindexar, salvo que mantengamos así el servidor tanto tiempo que empiecen a perder fuerza los enlaces y contenidos de la página, generalmente mejor no hacerlo más de unas horas.

  El cómo actúa Google si este fallo persiste en el tiempo no lo sabemos precisamente pero 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 fallos técnicos en una web, y se están solucionando en ese mismo día, es preferible obligar al fichero robots.txt a que devuelva fallo quinientos tres y así parar la indexación completa del site hasta el momento en que se arregle el inconveniente. Esto es mucho mejor que bloquear el rastreo ya que lo segundo tiene implicaciones más severas y un simple 503 es totalmetne temporal.

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

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 gestionamos nuestro fichero robots.txt.

Sin embargo también puede suponer un inconveniente en migraciones mal realizadas de un dominio a otro o bien de http a https. En estos casos podemos encontrarnos con que al migrar un site devolvemos un trescientos uno 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 catarata de detección de fallos y pérdida de tiempos de rastreo. Por general la recomendación debería ser que todos y cada uno de los sites tengan su /robots.txt y que nunca se redirija mas esto en la mayor parte de los casos no se hace así.

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 este motivo, cuando hay fallos técnicos en una web, y se están solucionando en ese día, es preferible obligar al archivo robots.txt a que devuelva error quinientos tres y así parar la indexación completa del site hasta que se arregle el problema. Esto es mucho mejor que bloquear el rastreo en tanto 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 causar problemas e inclusive está mal visto por el buscador

Google recomeinda no Bloquear ficheros CSS y JS. Antigüamente eran ficheros 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 tono de fondo o bien que sitio ocupan en el diseño y lo perceptibles que son los contenidos para los usuarios. Así que Google nos pide que le dejemos acceder a esto y así valorar la web al completo.

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

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

Back to top

11) 10. Google entra en contenidos 400 mas no si se le bloquea

Los contenidos 400 (páginas no encontradas, o bien 401 que acostumbran a estar bajo login, etc.) si que son accedidos por las arañas. Google lo procura y se encuentra al visitar las páginas con que estas no responden y por lo tanto no indexan.

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

• 1. Evitemos que el HTML muestre enlaces 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 mandar un noindex desde tu servidor creando una especie de robots.txt pero para noindex y nofollow

No cuento este punto entre los 10 conceptos puesto que realmente habla más de directivas de indexación que de robots.txt y es más una posibildiad que no es fácil de implementar para todos ( y en su versión más sencilla no está recomendado y no sabemos verdaderamente si funciona).

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

Esta indicación viene a decirnos que podemos crear sentencias noindex en el fichero robots con exactamente la misma nomenclatura.

Por ejemplo:

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

Seria excelente que nos dejaran hacer esto puesto que como comentaba antes bloquear una URL no implica desindexarla y así tendríamos un control total sobre todo esto. No obstante, y a pesar de que podréis ver como muchos SEOs lo mencionan e inclusive, Google ya nos ha dicho quey mientras lo prosigan diciendo creo que carece de sentido hacerlo. Así que no disfrutamos de esta posibilidad...

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

A una 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 ficheros .htaccess y .htconfig podemos declarar el envio de cabeceras en un único fichero que definia qué puede y qué no puede indexar el robot.

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

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

O no indexar paginaciones a través del módulo de modRewrite con el que gestionamos 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 blog post de este blog 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 a medida que he ido descubriendo con los años todo cuanto os he expuesto en este post, mas lo cierto es que como todo en el posicionamiento web en buscadores, te percatas de que jamás sabes lo suficiente de todo. Me pareció interesante recopilar todo esto porque sigo viendo con el tiempo que los problemas que existen en muchos sites debido a no entender bien los ficheros robots.txt prosiguen 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 ignorasen.

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

¿Te gustó este blog post? Puedes proseguir sus comentarios mediante, o realizardesde tu blog.

Back to top