firecafe36

Google recomienda eo el sitemap (por servirnos de un ejemplo en formato xml) para
hacer un mejor rastreo de la informaciónque compone nuestros sitios web. Esto teóricamente les facilita bastante la vida porque “guía” a sus
arañas o bien robotsrastreadores hasta el contenido relevante en un tiempo más reducido que si únicamente siguiesen links o bien si tuviesen que determinar de forma autónoma qué contenido no debe 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 exactamente la misma forma que son ignoradas de forma prácticamente azarosa las metaetiquetas robots que incluimos en el código de nuestras páginas. No siempre y en toda circunstancia, mas más frecuentemente 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 algunos conceptos importantes que de manera frecuente afectan al tratamiento que Google hace de nuestros sitios. Empezaremos por lo más sencillo…

Configuración básica de robots.txt

El renombrado “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 concreto (robots.txt) y colgarlo en el directorio raíz de nuestro sitio, puesto que es el único sitio donde lo podrán hallar sin inconvenientes los buscadores. La
configuración básica del ficheros robotses bastante fácil, incluye únicamente 2 parámetros: el robot al que nos dirigimos, y una instrucción dándole o bien quitándole permiso para indexar algo (un fichero, una carpeta, todo, nada).

En otras palabras, se trata de decirle a cada Bot (una suerte 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 adecuadamente en los resultados de búsqueda) a qué información de manera expresa puede (o bien NO puede) acceder para leer y también 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 va dirigida la orden (bien el de Google web search, o Google Images, o bien Bing…) y después qué páginas deben ser ignoradas (con el comando
Disallow) o explícitamente indizadas (
Allow). En un caso así se dice que para todos y cada uno de los robots (con un asterisco) deberán ignorarse -no indexarse- todas y cada una de 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 de ejemplo le vamos a estar diciendo al robot de
Bingque no rastree nada de nuestro sitio. Por omisión, el resto de robots incluido el de Google podrán rastrear y también 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 carpetita “documentos”. De este modo queda 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 y cada uno de los robots que no indexen 3
páginas en concreto: “pagina1.html”, “pagina2.php” y “pagina3.html” que se encuentra en la carpeta 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 primer aspecto semeja que esto debería marchar exactamente igual que un “Disallow: /” impidiendo la indexación del sitio web al completo, pero en realidad no es así.

Estamos ante
uno de los fallos má portfolio paginas web madrid de ser cometidosa la hora de configurar el fichero robots, porque hay que tomar en consideración ciertas consideraciones esenciales 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. O sea, por defecto Google puede indexar todo, así que si únicamente se le afirma qué SÍ puede indexar, le dará igual, seguirá indexando todo. Incluso 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 aplican en orden, desde la primera, con lo que
  los “Allow”, al ser salvedades a los “Disallow”, deberían ir primero. Aunque en la práctica los primordiales buscadores lo interpretarán bien aunque no lo hagas así.
• El comando
  “Allow” no es parte oficial del estándar, si bien Google y el resto de “los grandes” lo soportan con perfección, para determinados robots puede ser incluso problemático.

Dudas usuales con el archivo robots: configuraciones avanzadas

Hasta aquí parece fácil pero con el trastear continuo en el tiempo te van haciendo falta nuevas configuraciones y comienzan a surgir las dudas,
¿qué se puede hacer con el fichero robots?. Ahí van ciertas dudas que me ha tocado probar, bien en primera persona o a través de preguntas frecuentes 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 web 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 posiblemente por debajo de ella existan páginas del tipo “
midominio.com/servicios/nombre-servicio1” o bien similar. Mas ¿cómo le afirmamos al robots
que excluya únicamente la página superior, sin que por ello “cape” todas y cada una de las que están por debajo? La tentación sería:

Pero como ya hemos dicho, en un caso así el robot entenderá que la orden afecta a
toda esa carpetita o directorio. Pero no es eso lo que queremos! Para decirle a los robots que sólo nos referimos a esa página concreta, deberemos usar el
operador dólar (“< por ciento -body() por ciento >#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 precisamente de esa forma, siendo la única URL de ese tipo la que deseamos 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 marcha como un
comodín, sirve para decir “sustituyo a cualquiera 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 el “disallow”.

En el caso del asterisco le estamos diciendo que
puede sustituirlo por lo que quiera, toda vez que vaya seguido de “.htm”. b2c marketing , puede haber múltiples niveles de carpetita por medio (por ejemplo “
/carpeta/subcarpeta/pagina.htm” también sería excluído).

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

¿Cómo eludir la indexación de URLs con parámetros?

A menudo nuestro Content Management System nos produce
rutas con parámetroscomo “
midominio.com/index.php?user=1” que deseamos no sean indizadas al poder incurrir en duplicidad de contenidos. Siguiendo el patrón anterior y sabiendo que los parámetros vienen precedidos de una interrogación, habría que aplicar algo como esto:

Así le afirmamos que no indexe todo cuanto empiece por “lo que sea” pero 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 afirmamos “Disallow: /servicios/” el robot comprende que todo lo que vaya por detrás (ej: /servicios/auditoria) tampoco lo indexará, porque responde al patrón definido.

Pero cuidado por el hecho de que esto es peligrosísimo!! Un ejemplo lo tenemos a continuación:

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

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

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


Pues tampoco precisamente. Realmente, como ya hemos explicado antes,
el robot va a entender que detrás de eso puede ir cualquier cosa, o sea, 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 delimitamos dónde termina la URL, eludiendo este
super-problema que en general se pasa por altoal elaborar los ficheros robots.

¿Hay que poner una barra “/” después del nombre de la carpetita? ¿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 comience de esa forma, corresponda en concreto o bien no a dicho subdirectorio.

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

Así es. De hecho su
combinaciónpuede ser una forma de acotar mejor qué cosas se deben indexar y cuáles no para una determinada carpeta (o para todo el sitio). Un ejemplo…

De esta forma le estaríamos diciendo que
SÍ indexela página general de servicios (“midominio.com/servicios/”) mas
NO indexelas páginas sucesivas 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 comprende como permitido indexar todo), para más tarde incluir el “Disallow”. De esta forma se facilita el trabajo a los robots más “torpes”.

¿Cómo se tratan las mayúsculas y minúsculas?

Hay que tomar en consideración que
se distingue entre mayúsculas y minúsculas, en un caso así no sirve usar 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 entiende mejor qué debe indexar y qué no, en la práctica siempre y en todo momento se cuelan cosas que “empañan” la calidad de la información indexada de nuestro lugar. Dado que la estructura de WordPress es común a todas y cada una de las instalaciones, puede definirse un
robots tipo para WordPresscon las carpetitas 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 con cuidado. De hecho lo MUY aconsejable es
que cada uno personalice su fichero robots.txten función del contenido y configuración de su sitio web, ya sea bajo un Content Management System de código abierto como WordPress o cualquier otra plataforma.

Otras consideraciones: meta robots y sitemap

Recordar que
además del robots.txtes posible concretar la conveniencia o 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 sitio. Simplemente se trataría de incluir algo afín 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”, pese a que también se puede concretar “index”.

En cuanto al
sitemap, dos consideraciones:

• Es posible
  incluir en el fichero robots.txt la ruta donde se encuentrael/los sitemap(s) del lugar, sería cuestión de añadir una línea tal que así: “
  Sitemap: /sitemap.xml” (o donde desee que se halle tu sitemap).
• Incluir un sitemap para nuestro lugar no es restrictivo, o sea,
  Google va a indexar todo cuanto pueda, independientemente de que esté en tu sitemap o bien no. Con él únicamente le asistimos a descubrir las páginas, los medios para que no las indexe son los previamente expuestos.

Los bots de Google

Como ya se ha dejado entrever 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 cien de las búsquedas estatales, vamos a precisar losy para qué sirven:

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

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

  
  
• 
  Googlebot-Image: Servirá para delimitar el acceso a carpetitas donde se contengan imágenes que no deseamos sean indexadas. agencia tiendas online :
  

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

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

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

  
  
• 
  Adsbot-Google: Administra el acceso para el robot de 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 archivo 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 rezar! XD