Robots.txt es uno de los archivos más simples de un sitio web pero también uno de los más fáciles de arruinar. Sólo un error de tipeo puede ocasionar estragos en tu posicionamiento web y eludir que los motores de búsqueda accedan al contenido importante en tu sitio.
Esta es la razón por la que los fallos de configuración de robots.txt son exageradamente comunes, incluso entre los profesionales posicionamiento en buscadores con experiencia.
En esta guía aprenderás:
Back to top1) ¿Qué es un archivo robots.txt?
Un archivo robots.txt le dice a los motores de búsqueda por dónde pueden y por donde no pueden ir en tu lugar.
En primer lugar, cuenta todo el contenido que quieres bloquear de los motores de búsqueda como Google. También le puedes señalar a algunos motores de búsqueda (no a Google) cómopueden rastrear el contenido alcanzable.
La mayoría de los motores de búsqueda son obedientes. No tienen el hábito de ignorar una restricción. Dicho esto, algunos no son tímidos en el momento de obviar dichas restricciones.
Google no es uno de esos motores de búsqueda, obedece las instrucciones de un archivo robots.txt.
Sólo tienes que saber que ciertos motores de búsqueda lo ignoran por completo.
Back to top2) ¿Cómo se ve un archivo robots.txt?
Este es el formato básico de un fichero robots.txt:
Si jamás has visto uno de estos ficheros ya antes puede parecer deprimente. Sin embargo, la sintaxis es bastante simple. Para resumir, debes asignar reglas a los robots señalando su user-agentseguido de las directivas.
Exploremos estos dos componentes con más detalle.
Back to top3) User-agents
Cada motor de búsqueda se identifica con un usuario-agent diferente. Puedes establecer instrucciones adaptadas para cada uno de ellos de ellos en el archivo robots.txt. Hay, mas aquí hay algunos útiles en relación al SEO:
- Google:Googlebot
- Google Images:Googlebot-Image
- Bing:Bingbot
- Yahoo:Slurp
- Baidu: Baiduspider
- DuckDuckGo:DuckDuckBot
Todos los user-agents distinguen entre mayúsculas y minúsculas en robots.txt.
También puedes usar el asterisco (*) para asignar directivas a todos los user-agents.
Por ejemplo, imaginemos que quieres bloquear todos y cada uno de los bots salvo Googlebot a fin de que no rastree tu lugar. Así es como lo harías:
Tienes que saber que tu fichero robots.txt puede incluir directivas para tantos usuario-agents como desees. Dicho esto, cada vez que declares un nuevo usuario-agent, éste ignorará las directivas declaradas previamente para otros user-agents. En otras palabras, si añades directivas para múltiples user-agents, las directivas declaradas para el primer usuario-agent no se aplicarán al segundo, o bien al tercero, o al cuarto, y así sucesivamente.
La excepción a esta regla es cuando se declara el mismo usuario-agent más de una vez. En un caso así, se combinan y se cumplen todas las directivas pertinentes.
Los rastreadores sólo prosiguen las reglas declaradas bajo el (los) user-agent(s) que se se aplican a ellos de la forma más específica posible. Es por eso que el fichero robots.txt bloquea a todos y cada uno de los bots excepto a Googlebot (y a otros robots de Google) a fin de que no puedan rastrear el lugar, Googlebot ignora la declaración de user-agent menos específica.
Back to top4) Directivas
Las directivas son las reglas que quieres que los user-agents declarados prosigan.
4.1) Directivas admitidas
Aquí están las directivas que Google acepta actualmente, así como sus usos.
4.1.1) Disallow
Utiliza esta directiva para indicar a los motores de búsqueda que no accedan a archivos y páginas que se encuentren bajo una ruta específica. Por servirnos de un ejemplo, si quieres bloquear el acceso de todos los motores de búsqueda a tu blog y a todos sus mensajes, el archivo robots.txt puede verse así:
Si no defines una senda después de la directiva disallow, los motores de búsqueda la ignorarán.
4.1.2) Allow
Utiliza esta directiva para permitir a los motores de búsqueda rastrear un subdirectorio o una página, aun en un directorio que de otra forma no estaría tolerado. Por servirnos de un ejemplo, si deseas evitar que los motores de búsqueda accedan a todas las entradas de tu weblog excepto a una, el fichero robots.txt puede tener este aspecto:
En este caso de ejemplo, los motores de búsqueda pueden acceder a:
/blog/post-permitido. Pero no pueden acceder a:
/blog/otro-post
/blog/y-otro-post
/blog/descarga.pdf
Tanto Google como Bing aceptan esta directiva.
Al igual que con la directiva disallow, si no defines una ruta después de la directiva allow, los motores de búsqueda la ignorarán.
nota sobre reglas conflictivas
A menos que seas cauteloso, las directivas allow y disallow pueden fácilmente entrar en pugna entre sí. En el siguiente ejemplo no se le permite el acceso a
/blog/y se permite el acceso a
/blog.
En este caso, la URL
/blog/post-title/parece tener las dos directivas. Entonces ¿cuál gana?
Para Google y Bing, la regla es que gana la directiva con más caracteres. Esa es la directiva disallow.
Disallow: /blog/
(seis caracteres)
Allow: /blog
(cinco caracteres)
Si las directivas allow y disallow tienen exactamente la misma longitud, entonces gana la directiva menos restrictiva. En un caso así, esa sería la directiva allow.
Aquí,
/blog(sin la barra) sigue siendo accesible y rastreable.
Es esencial mencionar que esto sólo aplica para el caso de Google y Bing. Otros motores de búsqueda obedecen a la primera directiva coincidente. En este caso sería disallow.
4.1.3) Sitemap
Utiliza esta directiva para precisar la ubicación de tu(s) sitemap(s) en los motores de búsqueda. Si no estás familiarizado con los sitemaps, normalmente incluyen las páginas que deseas que los motores de búsqueda rastreen y también indexen.
A continuación se muestra un ejemplo de un archivo robots.txt que emplea la directiva sitemap:
¿Qué importancia tiene incluir tu(s) sitemap(s) en tu fichero robots.txt? Si ya lo has mandado a través de Search Console entonces es algo redundante para Google. No obstante, le dicen a otros motores de búsqueda como Bing dónde localizar tu sitemap, por lo que sigue siendo una buena práctica.
Ten en cuenta que no es preciso repetir la directiva sitemap múltiples veces para cada usuario-agent, éste aplica para todos. Por tanto, lo mejor es incluir las directivas del sitemap al comienzo o bien al final del fichero robots.txt. Por ejemplo:
Googlela directiva sitemap, así como Ask, Bing, y Yahoo.
Puedes incluir tantos sitemaps como desees en tu fichero robots.txt.
4.2) Directivas no admitidas
Estas son las directivas que—algunas de las cuales nunca lo fueron, técnicamente.
4.2.1) Crawl-delay
Anteriormente podías emplear esta directiva para detallar un difiero del rastreo en segundos. Por servirnos de un ejemplo, si quisieras que Googlebot espere 5 segundos después de cada acción de rastreo, debías establecer el retardo de rastreo en 5:
Google ya no acepta esta directiva peroysí.
Dicho esto, ten cuidado al establecer esta directiva, en especial si tienes un sitio grande. Si estableces un difiero de rastreo de 5 segundos, entonces estarás limitando a los bots a rastrear un máximo de diecisiete y doscientos ochenta URLs al día. Eso no es muy útil si tienes millones de páginas, mas podría ahorrar ancho de banda si tienes un sitio pequeño.
4.2.2) Noindex
Esta directiva nunca fue apoyada oficialmente por Google. Sin embargo, hasta hace poco, se pensaba que Google tenía algún “código que maneja reglas no aceptadas y no publicadas (como el noindex)”. Así que si deseas eludir que Google indexe todas las entradas de tu blog, puedes utilizar la siguiente directiva:
Sin embargo, el 1 de septiembre de 2019, Google dejó claro que esta directiva no está admitida. Si quieres excluir una página o bien un fichero de los motores de búsqueda, utiliza en su lugar la etiqueta meta robots o bien el encabezado HTTP x‑robots.
4.2.3) Nofollow
Esta es otra directiva que Google nunca apoyó oficialmente y fue usada para señalar a los motores de búsqueda que no siguieran links en páginas y ficheros bajo una senda específica. Por ejemplo, si deseas evitar que Google prosiga todos y cada uno de los enlaces de tu blog, puedes usar la siguiente directiva:
Google anunció que esta directiva no tiene soporte oficial desde el 1 de septiembre de dos mil diecinueve. Si deseas no seguir todos los links de una página ahora, debes utilizar la meta tag robots o el encabezado x‑robots. Si quieres señalar a Google que no siga links específicos de una página, emplea el atributo de link rel=“nofollow”.
Back to top5) ¿Necesitás un fichero robots.txt?
Tener un fichero robots.txt no es crucial para muchos sitios web, en especial para los más pequeños.
Dicho esto, no existe ninguna buena razón para no tener uno. Te dará más control sobre dónde los motores de búsqueda pueden y no pueden entrar en tu sitio, y esto podría ayudarte con cosas como:
- Prevenir el rastreo de;
- Mantener secciones de un sitio web como privadas (por poner un ejemplo, tu sitio de pruebas);
- Prevenir el rastreo de páginas de resultados de búsqueda interna;
- Prevenir la sobrecarga del servidor;
- Prevenir que Google desperdicie su “.”
- Prevenir que,, y archivos de recursos aparezcan en los resultados de búsqueda de Google.
Ten en cuenta que aunque Google no suele indexar las páginas web que están bloqueadas por robots.txt, no hay forma de garantizar la exclusión en los resultados de búsqueda a través de el fichero robots.txt.
Como, si el contenido está enlazado desde otros lugares en la web, puede llegar a aparecer en los resultados de búsqueda de Google.
Back to top6) Cómo encontrar tu archivo robots.txt
Si ya tienes un fichero robots.txt en tu sitio, podrás acceder a él mediante dominio.com/robots.txt. Navega hasta la URL de tu navegador. Si ves algo como esto, entonces tienes un archivo robots.txt:
Back to top7) Cómo crear un archivo robots.txt
Si aún no tienes un fichero robots.txt, crear uno es fácil. Sencillamente abre un documento .txt en blanco y comienza a redactar directivas. Por servirnos de un ejemplo, si deseas impedir que todos y cada uno de los motores de búsqueda rastreen tu directorio
/admin/se debería ver algo así:
Continúa redactando las directivas hasta el momento en que estés satisfecho con lo que tienes. Guarda tu fichero como “robots.txt”.
Alternativamente, también puedes emplear un generador robots.txt como.
La ventaja de utilizar una herramienta como esta es que minimiza los errores de sintaxis. Esto es bueno pues un fallo podría resultar en una catástrofe posicionamiento web para tu sitio, con lo que merece la pena ir por el lado de la precaución.
La desventaja es que son algo limitados en términos de personalización.
Back to top8) Dónde situar tu fichero robots.txt
Ubica el archivo robots.txt en el directorio raíz del subdominio al que se aplique. Por servirnos de un ejemplo, para controlar el comportamiento de rastreo en un dominio.com, el archivo robots.txt debe estar alcanzable en dominio.com/robots.txt.
Si quieres supervisar la rastreabilidad en un subdominio como blog.dominio.com, el archivo robots.txt debe estar alcanzable en blog.dominio.com/robots.txt.
Back to top9) Buenas prácticas para el archivo robots.txt
Tenlos en cuenta para evitar fallos comunes.
9.1) Usa una nueva línea para cada directiva
Cada directiva debería ir en una nueva línea. De lo contrario confundirá a los motores de búsqueda.
Incorrecto:
Correcto:
9.2) Utiliza asteriscos para simplificar las instrucciones
No sólo puedes utilizar asteriscos (*) para aplicar directivas a todos y cada uno de los usuario-agents sino más bien también para que coincidan con los patrones de URL al declarar directivas. Por poner un ejemplo, si deseas eludir que los motores de búsqueda accedan a las URLs de las categorías de productos parametrizadas en tu lugar, puedes contarlas de la próxima manera:
Pero no es muy eficiente. Sería mejor si simplificáramos las cosas con un asterisco, de la próxima manera:
Este ejemplo bloquea a los motores de búsqueda para que no rastreen todas las URLs bajo la subcarpeta /productos/ que contengan un signo de interrogación. En otras palabras, cualquier URL parametrizada de la categoría “producto”.
9.3) Usa “ dólares americanos ” para detallar el final de una URL
Incluye el símbolo “ dólares americanos ” para marcar el final de una URL. Por ejemplo, si quieres eludir que los motores de búsqueda accedan a todos y cada uno de los ficheros .pdf de tu lugar, el fichero robots.txt debería verse así:
En este ejemplo, los motores de búsqueda no pueden acceder a ninguna URL que concluya en.pdf. Esto significa que no pueden acceder a /archivo.pdf, pero pueden acceder a /archivo.pdf?id= pues no termina con “.pdf”.
9.4) Usa cada user-agent sólo una vez
A Google no le importa si especificas exactamente el mismo usuario-agent múltiples veces. Simplemente combinará todas las reglas de las diversas declaraciones en una sola y las seguirá todas. Por servirnos de un ejemplo, si tienes los próximos user-agents y directivas en tu archivo robots.txt.…
… Googlebot no dejaría de rastrearninguna de las dos subcarpetas.
Dicho esto, tiene sentido declarar a cada usuario-agent sólo una vez pues es menos confuso. En otras palabras, es menos probable que cometas errores críticos al mantener las cosas ordenadas y simples.
9.5) Sé específico para evitar errores involuntarios
La falta de instrucciones específicas en el momento de establecer directivas puede dar sitio a errores fáciles que pueden tener un impacto catastrófico en el SEO. Por servirnos de un ejemplo, supongamos que tienes un lugar multilingüe y que estás trabajando en una versión en alemán que estará libre en el subdirectorio /de/.
Debido a que no está listo para funcionar, quieres evitar que los motores de búsqueda accedan a él.
El fichero robots.txt que se muestra a continuación evitará que los motores de búsqueda accedan a esa subcarpeta y a todo cuanto contiene:
Pero también evitará que los motores de búsqueda rastreen páginas o bien ficheros que empiecen con
/de.
Por ejemplo:
/decoracion/
/delivery-informacion.html
/depeche-mode/camisetas/
/definitivamente-no-para-ser-visto-en-publico.pdf
En este caso, la solución es simple: añadir una barra.
9.6) Use comentarios para explicar tu archivo robots.txt a humanos
Los comentarios ayudan a explicar el archivo robots.txt a los desarrolladores, e incluso potencialmente a tu futuro yo. Para incluir un comentario, comienza la línea con un numeral (#).
# Esto le señala a Bing que no rastree nuestro lugar.
Los rastreadores ignorarán todo cuanto haya en las líneas que empiecen con un numeral.
9.7) Usa un archivo robots.txt separado para cada subdominio
Robots.txt sólo controla el comportamiento de rastreo en el subdominio donde esté alojado. Si quieres supervisar el rastreo en un subdominio diferente, necesitarás un archivo robots.txt separado.
Por ejemplo, si tu sitio principal se halla en dominio.com y tu blog en blog.dominio.com, necesitarás 2 archivos robots.txt. Uno debe ir en el directorio raíz del dominio principal, y el otro en el directorio raíz del blog.
Back to top10) Ejemplos de ficheros robots.txt
A continuación se muestran ciertos ejemplos de archivos robots.txt. Estos son principalmente para inspirarse, pero si uno de ellos se ajusta a tus necesidades, cópialo y pégalo en un documento de texto, guárdalo como “robots.txt” y cárgalo en el directorio apropiado.
10.1) Acceso total para todos y cada uno de los bots
Si no se declara una URL después de una directiva, ésta se vuelve redundante. En otras palabras, los motores de búsqueda lo ignoran. De ahí que que esta directiva no tiene ningún efecto en el sitio; los motores de búsqueda todavía pueden rastrear todas y cada una de las páginas y archivos.
10.2) Sin acceso para todos los bots
10.3) Bloquear un subdirectorio para todos y cada uno de los bots
10.4) Bloquear un subdirectorio para todos y cada uno de los bots (con un archivo interno permitido)
10.5) Bloquear un archivo para todos los bots
10.6) Bloquear un tipo del archivo (PDF) para todos y cada uno de los bots
10.7) Bloquear todas las URLs parametrizadas sólo para Googlebot
Back to top11) ¿Cómo auditar tu fichero robots.txt en busca de fallos?
Los fallos de robots.txt se pueden deslizar por la red con bastante facilidad, por lo que merece la pena estar atento a los inconvenientes.
Para hacerlo, busca regularmente cuestiones relacionadas al robots.txt en el reporte de “Cobertura” de. Aquí debajo tienes algunos de los errores que podrías ver, qué significan y cómo podrías solucionarlos.
¿Necesitas buscar fallos en una página determinada?
Pega la URL en la herramienta de inspección de URLs de Google en Search Console. Si está bloqueado por robots.txt, deberías ver algo como esto:
11.1) URL presentada bloqueada por robots.txt
Esto significa que cuando menos una de las URL de los sitemaps presentados está bloqueada por robots.txt.
Si túy excluiste páginas, noindexadas, y, entonces ninguna página presentada debería ser bloqueada por robots.txt. Si es así, investiga qué páginas están perjudicadas y a continuación ajusta el fichero robots.txt en consecuencia para eliminar el bloqueo de esa página.
Puedes utilizar elpara ver qué directiva bloquea el contenido. Sólo ten cuidado al hacer esto, es fácil cometer fallos que afectan a otras páginas y archivos.
11.2) Bloqueado por robots.txt
Esto quiere decir que tienes contenido bloqueado por robots.txt que no está indexado en nuestros días en Google.
Si este contenido es importante y debe ser indexado, elimina el bloqueo de rastreo en robots.txt. Si has bloqueado contenido en robots.txt con la intención de excluirlo del índice de Google, elimina el bloqueo y utiliza una meta etiqueta de robots o un encabezado x‑robots. Esa es la única manera de garantizar la exclusión de contenido del índice de Google.
Es esencial quitar el bloqueo de rastreo cuando se procura excluir una página de los resultados de la búsqueda. Si no lo haces, Google no verá la etiqueta noindex ni el encabezado HTTP, por lo que permanecerá indizada.
11.3) Indexada, aunque bloqueada por robots.txt
Esto quiere decir que parte del contenido bloqueado por robots.txt prosigue estando indexado en Google.
Una vez más, si estás procurando excluir este contenido de los resultados de búsqueda de Google, robots.txt no es la solución adecuada. Quita el bloqueo de rastreo y en su sitio emplea unapara prevenir la indexación.
Si has bloqueado este contenido por accidente y deseas mantenerlo en el índice de Google, suprime el bloqueo del rastreo en robots.txt. Esto puede asistir a prosperar la visibilidad del contenido en la búsqueda de Google.
Back to top12) FAQs
Aquí están algunas de las preguntas más usuales que no encajaban de forma natural en otra una parte de nuestra guía: haznos saber en los comentarios si falta algo, y actualizaremos la sección en consecuencia.
12.1) ¿Cuál es el tamaño máximo de un archivo robots.txt?
(aproximadamente).
12.2) ¿Dónde está robots.txt en WP?
En exactamente el mismo lugar: dominio.com/robots.txt.
12.3) ¿Cómo puedo editar robots.txt en WordPress?
De forma manual o utilizandocomo Yoast que te deja editar robots.txt desde el backend de WordPress.
12.4) ¿Qué sucede si no permito el acceso a contenido no-indizado en robots.txt?
Google jamás verá la directiva noindex por el hecho de que no puede rastrear la página.
“¿Sabías que bloquear una página con un robots.txt disallow y un noindex en la página no tiene mucho sentido porque Googlebot no puede “ver” el noindex?”
Back to top13) Conclusiones
Robots.txt es un archivo simple mas poderoso. Utilízalo de manera sabia, y puede tener un impacto positivo en el posicionamiento web en buscadores. Úsalo al azar y, bueno, vivirás para arrepentirte.
¿Tienes más preguntas? Deja un comentario o.
Back to top
