formatwool6

Google aconseja eo el sitemap (por ejemplo en formato xml) para
hacer un mejor rastreo de la informaciónque compone nuestros sitios. Esto teóricamente les facilita bastante la vida pues “guía” a sus
arañas o robotsrastreadores hasta el contenido relevante en un tiempo más reducido que si únicamente siguiesen enlaces o si tuviesen que determinar de manera autónoma qué contenido no ha de ser indizado. Hasta aquí todo bien.

En la práctica lo cierto es que
no es extraño encontrarse con Google saltándose a la torera el contenido de un archivo robots.txt, indexando páginas y archivos en él contenidos, de igual modo que son ignoradas de forma casi aleatoria las metaetiquetas robots que incluimos en el código de nuestras páginas. No siempre y en todo momento, pero más con frecuencia de lo que debería (que debería ser “nunca”). Dicho esto, habrá que conformarse con las herramientas que tenemos y aprender a manejarlas mejor.

Y es que en ocasiones
se configura incorrectamente el fichero robotsporque damos por supuestas algunas cosas, esperamos que con este artículo se aclaren ciertos conceptos esenciales que de manera frecuente afectan al tratamiento que Google hace de nuestros sitios. Empezaremos por lo más sencillo…

Configuración básica de robots.txt

El conocido “robots” es un archivo en formato .TXT que
podemos crear y editar con un simple bloc de notas o editor de textobásico (wordpad, notepad). Una vez creado habrá que darle ese nombre específico (robots.txt) y colgarlo en el directorio raíz de nuestro sitio, en tanto que es el único sitio donde lo podrán localizar sin problemas los motores de búsqueda. La
configuración básica del archivos robotses bastante sencilla, incluye únicamente dos parámetros: el robot al que nos dirigimos, y una instrucción dándole o bien quitándole permiso para indexar algo (un archivo, una carpeta, todo, nada).

En otras palabras, se trata de decirle a cada Bot (una especie de rastreadores – arañas – que Google tiene pululando por los millones de páginas web que existen para estar al día de su contenido y poder mostrarlo correctamente en los resultados de búsqueda) a qué información expresamente puede (o NO puede) acceder para leer e indexar dicha información. Ni que decir debe, por defecto, si no se le afirma nada Google devorará toda la información a su paso y la incluirá en su mastodóntico índice de contenidos web.

Un
ejemplo sencillo y básicodel contenido de un fichero robots.txt sería el siguiente:

Como puede apreciarse, primero se define el “user-agent” o bien Bot al que se dirige la orden (bien el de Google web search, o Google Images, o bien Bing…) y después qué páginas han de ser ignoradas (con el comando
Disallow) o bien explícitamente indizadas (
Allow). En este caso diríase que para todos y cada uno de los robots (con un asterisco) deberán ignorarse -no indexarse- todas las páginas (con la barra “del siete”, así sin nada más detrás, le hacemos ver que es una orden para todo el directorio raíz).

Con este caso le vamos a estar diciendo al robot de
Bingque no rastree nada de nuestro lugar. Por omisión, el resto de robots incluido el de Google podrán rastrear e indexar todo el contenido de nuestro lugar.

Un pasito más: le hemos dicho a
Bingque no indexe la carpeta “documentos”. En un caso así
Googleindexará por omisión todo el contenido del sitio, mientras que Bing indexará todo salvo el contenido de la carpeta “documentos”. De esta manera está claro que, para
definir una carpeta en el robots, hay que colocar (tras la barra inicial que irá siempre) su nombre más una barra adicional al final.

Con este robots.txt estamos diciéndole a todos los robots que no indexen 3
páginas en concreto: “pagina1.html”, “pagina2.php” y “pagina3.html” que se encuentra en la carpetita documentos.

Hemos introducido el comando “
Allow” cuya función es la inversa al “Disallow” mas hemos quitado la barra “/” siguiente, así que le estamos diciendo que
SÍ puede indexar NADA. A primera vista semeja que esto debería marchar exactamente igual que un “Disallow: /” impidiendo la indexación del sitio al completo, pero en realidad no es así.

Estamos ante
uno de los errores más susceptibles de ser cometidosa la hora de configurar el archivo robots, por el hecho de que hay que tener en cuenta ciertas consideraciones importantes en relación al
comando “Allow”que es bastante puñetero:

• 
  Sólo tiene sentido cuando se acompaña de un “Disallow”: se trata de una orden no restrictiva, así que cuando va “solo” no es aplicable. Esto es, por defecto Google puede indexar todo, así que si únicamente se le dice qué SÍ puede indexar, le dará igual, seguirá indexando todo. Aun en el caso del ejemplo precedente, donde se le dice que SÍ puede indexar NADA, pasará de la orden y seguirá indexando todo.
  Cuidadocon esto.
• En la
  teoríalas reglas se posicionamiento web internacional en madrid , a partir de la primera, con lo que
  los “Allow”, al ser salvedades a los “Disallow”, deberían ir primero. Aunque en la práctica los principales buscadores web lo interpretarán bien si bien no lo hagas así.
• El comando
  “Allow” no es parte oficial del estándar, si bien Google y el resto de “los grandes” lo aguantan perfectamente, para determinados robots puede llegar a ser aun problemático.

Dudas frecuentes con el archivo robots: configuraciones avanzadas

Hasta aquí semeja fácil mas con el trastear progresivo en el tiempo te van haciendo falta nuevas configuraciones y comienzan a surgir las dudas,
¿qué se puede hacer con el archivo robots?. Ahí van ciertas dudas que me ha tocado experimentar, bien en primera persona o bien a través de preguntas usuales con las que me he encontrado de compañeros del marketing online:

¿Qué pasa cuando la URL de la página termina con una barra “/”?

A menudo sucede, singularmente en sitios montados sobre plataformas como
WordPress, que puede haber una página en nuestro lugar con esta estructura en su URL: “
midominio.com/servicios/“. En este caso dicha URL es una página donde se muestran los servicios de una compañía, aunque es posible que por debajo de ella existan páginas del tipo “
midominio.com/servicios/nombre-servicio1” o similar. Mas ¿cómo le decimos al robots
que excluya únicamente la página superior, sin que por este motivo “cape” todas las que están por debajo? La tentación sería:

Pero como ya hemos dicho, en este caso el robot entenderá que la orden afecta a
toda esa carpeta o directorio. Mas no es eso lo que queremos! Para decirle a los robots que sólo nos referimos a esa página concreta, deberemos emplear el
operador dólar (“< por cien -body() por cien >#8221;)que sirve para precisar el
final de la URL. Así:

De esta forma le decimos al robot que
no indexe las URLs que terminen exactamente de esa forma, siendo la única URL de ese tipo la que queremos desindexar exactamente. Y esto nos conduce al uso de expresiones regulares en robots.txt…

Usos de operadores en robots.txt (dólar y asterisco)

Aunque el ejemplo anterior nos sirve para explicar el empleo del “< por cien -body() por cien >#8221; en el robots, lo cierto es que para sacarle el mayor jugo tiene que
emplearse junto al asterisco“*”. Este último funciona como un
comodín, sirve para decir “sustituyo a cualesquiera cosa que pueda ir en mi lugar”. Mejor verlo con un ejemplo:

Ya hemos explicado que el dólar sirve para decirle que ahí acaba la URL, que no puede llevar nada más por detrás aquello que deseemos aplicarle el “allow” o bien el “disallow”.

En el caso del asterisco le decimos que
puede sustituirlo por lo que quiera, siempre y cuando vaya seguido de “.htm”. Es decir, puede haber múltiples niveles de carpetita por medio (por poner un ejemplo “
/carpeta/subcarpeta/pagina.htm” también sería excluído).

De esta forma en el ejemplo le estamos diciendo a todos y cada uno de los robots que no indexen ningún fichero .
HTMsi bien les dejamos, a través del dólar, que indexen por poner un ejemplo todos los ficheros con extensión .
HTML. Esto nos lleva a otra cuestión recurrente…

¿Cómo evitar la indexación de URLs con parámetros?

A menudo nuestro CMS nos genera
rutas con parámetroscomo “
midominio.com/index.php?user=1” que deseamos no sean indexadas al poder incurrir en duplicidad de contenidos. experto en adwords el patrón anterior y a sabiendas de que los parámetros vienen precedidos de una interrogación, habría que aplicar algo como esto:

Así le decimos que no indexe todo cuanto empiece por “lo que sea” mas que luego tenga una interrogación, seguido de lo que sea. Seguro que alguno se ha perdido en este último paso, que tendría la tentación de haber puesto “Disallow: /*?*” para cerciorarse de que después de la interrogación va algo más, los parámetros. Puesto que no, resulta que
este género de expresiones regulares suponen por defecto que, tras lo que le afirmamos, puede ir cualquier cosa. Por eso cuando decimos “Disallow: /servicios/” el robot comprende que todo lo que vaya por detrás (ej: /servicios/auditoria) tampoco lo indexará, pues responde al patrón definido.

Pero cuidado porque esto es peligrosísimo!! Un caso lo tenemos a continuación:

¿Qué pasa cuando la URL de la página no tiene extensión (ej: no acaba en “.html”)?

Pongamos que existe una página que no deseamos indexar cuya URL es exactamente ésta: “/servicio”. Podríamos caer en el que posiblemente sea
el mayor fallo cometido con el empleo del archivo robots.txta nivel mundial! :O

Algún listo dirá:
Así no, eso sirve para capar la carpetita “servicio” entera.


Pues tampoco exactamente. Realmente, como ya hemos explicado antes,
el robot va a comprender que detrás de eso puede ir cualquier cosa, esto es, va a excluir páginas como:

• /servicio
• /servicios
• /servicio-auditoria
• /servicio-consultoria/
• /servicio-consutoria/digital.html
• /serviciosweb/seo/yandex.php
• etc.

Entonces,
¿cómo excluyo esa página que no tiene extensión?Así:

De esta forma acotamos dónde termina la URL, evitando este
super-inconveniente que en general se pasa por altoal formular los ficheros robots.

¿Hay que poner una barra “/” después del nombre de la carpeta? ¿Qué pasa si no la pongo?

Esto ha quedado explicado con el punto anterior: si no se pone barra, el robots estará excluyendo todo lo que empiece de esa manera, corresponda específicamente o bien no a dicho subdirectorio.

¿Pueden incluirse comandos Disallow y Allow en el mismo robots?

Así es. En verdad su
combinaciónpuede ser una forma de delimitar mejor qué cosas se deben indexar y cuáles no para una determinada carpeta (o para todo el lugar). Un ejemplo…

De esta forma le estaríamos diciendo que
SÍ indexela página general de servicios (“midominio.com/servicios/”) pero
NO indexelas páginas consecutivas con los servicios específicos (“midominio.com/servicios/auditoria”+”midominio.com/servicios/consultoria”+etc.).

Lo ideal es
usar primero el “Allow” que no es restrictivo(por defecto se entiende como permitido indexar todo), para posteriormente incluir el “Disallow”. Así se facilita el trabajo a los robots más “torpes”.

¿Cómo se tratan las mayúsculas y minúsculas?

Hay que tener en consideración que
se distingue entre mayúsculas y minúsculas, en este caso no sirve emplear siempre y en toda circunstancia minúsculas. Es decir, un comando tipo “Disallow: /pagina.html” sí permitiría que se indexase la página “
midominio.com/Pagina.html“.

¿Cómo configurar robots.txt para Wordpress?

A pesar de que
WordPress es una plataforma muy extendiday Google cada vez comprende mejor qué tiene que indexar y qué no, en la práctica siempre se cuelan cosas que “empañan” la calidad de la información indizada de nuestro sitio. community manager reus la estructura de WP es común a todas y cada una de las instalaciones, puede definirse un
robots tipo para WordPresscon las carpetas donde el buscador no debería meter el hocico. Téngase en cuenta que esto son unos mínimos, a nada que tiremos de plantillas, complementos y personalizaciones, habrá otras nuevas carpetas que tendremos que “capar”:

Así se excluye la posible
indexación de carpetas de sistema y archivoscon extensiones que no interesa indexar. Manéjese de forma cuidadosa. De hecho lo MUY recomendable es
que cada uno personalice su fichero robots.txten función del contenido y configuración de su sitio, así sea bajo un CMS de código abierto como WP o cualquier otra plataforma.

Otras consideraciones: meta robots y sitemap

Recordar que
además del robots.txtes posible detallar la conveniencia o bien no de indexar una página a través de la
meta-etiqueta “robots”que puede ser incluida a nivel individual para cada una de las páginas del lugar. Simplemente se trataría de incluir algo similar a esto en el
<head>para cada caso:

<meta name=”robots” content=”noindex”>

Como por defecto todo es indexable, la etiqueta tiene más sentido cuando utilizamos el comando
“noindex”, a pesar de que también se puede concretar “index”.

En cuanto al
sitemap, 2 consideraciones:

• Es posible
  incluir en el archivo robots.txt la senda donde se encuentrael/los sitemap(s) del sitio, sería cuestión de añadir una línea tal que así: “
  Sitemap: /sitemap.xml” (o donde quiera que se halle tu sitemap).
• Incluir un sitemap para nuestro lugar no es restrictivo, esto es,
  Google va a indexar todo lo que pueda, con independencia de que esté en tu sitemap o bien no. Con él únicamente le ayudamos a descubrir las páginas, los medios para que no las indexe son los anteriormente expuestos.

Los bots de Google

Como ya se ha dejado entrever ya antes,
existen diferentes Bots/ Robots / Crawlers / Arañas que se pasan las horas fallecidas dando vueltas por la red de redes tragando información como locos. Por ser prácticos y puesto que
Googlese lleva como un noventa y siete por ciento de las búsquedas estatales, vamos a detallar losy para qué sirven:

• 
  Googlebot: Es el bot “general” de Google, así que servirá para limitar todos y cada uno de los demás. Esto es, si nos limitamos a restringir a Googlebot vamos a estar restringiendo a Googlebot-News, Googlebot-Image, Googlebot-Vídeo y Googlebot-Mobile.
• 
  Googlebot-News: Ayuda a limitar el acceso a las páginas o bien posts para su indexación en Google News. A colación de lo precedente, restringir a Googlebot supone no aparecer ni en la búsqueda de Google ni en Google News. Si sólo queremos aparecer en Google News habría que definir algo tal que así:
  

  User-agent: GooglebotDisallow: /User-agent: Googlebot-NewsDisallow:

  
  
• 
  Googlebot-Image: Servirá para acotar el acceso a carpetas donde se contengan imágenes que no deseamos sean indizadas. Ejemplo:
  

  User-agent: Googlebot-ImageDisallow: /fotos-verano/

  
  
• 
  Googlebot-Video: Lo mismo que lo anterior mas aplicado a la restricción para indexar vídeos.
• 
  Googlebot-Mobile: Si bien hay bastante controversia y misticismo, se supone que gestiona el contenido indexable para enseñar en búsquedas desde dispositivos móviles. Se supone.
• 
  Mediapartners-Google: Especifica las páginas que han de ser tenidas en cuenta por parte de Google a la hora de mostrar publicidad de su red, pero sin afectar a su indexabilidad. Por servirnos de un ejemplo con este robots.txt se podrían mostrar anuncios de Google Adsense en nuestro sitio, a pesar de que éste no estaría indexado por Google:
  

  User-agent: GooglebotDisallow: /User-agent: Mediapartners-GoogleDisallow:

  
  
• 
  Adsbot-Google: Administra el acceso para el robot de Google Adwords encargado de valorar la calidad de la página de destino.

Tan importante como conseguir un alto ritmo de indexación, con los robots de Google visitando recurrentemente nuestros sitios más actualizados, será intentar que no se indexe información privada o bien contenido que pueda considerarse duplicado, entre otros casos. Así que habrá que preocuparse en configurar el fichero robots.txt, las “meta robots” si fuera preciso, comunicarse con Google a través de Webmaster Tools, y todo lo que está en nuestras manos. A partir de ahí toca orar! XD