sundaystore12

Do not speak Spanish?.

Hace tiempo que no comentamos muchas cosas de SEO 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 ignora detalles muy importantes: El archivo robots.txt, uno de los básicos de la indexación posicionamiento web. Robots.txt es un fichero destinado a apuntar a los buscadores que URLs está en su 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 fichero para determinar si tiene que ir ahi a recoger información o si por el contrario 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 ciento ).

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

Se nos da información muy directa y fácil de digerir. La redacción de estos ficheros es sencillísima aunque cualquier fallo, por mínimo que sea, podría provocar que las arañas no entrasen en las páginas que 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 en realidad si que queremos que aparezcan en el buscador. Es el tipíco aspecto importante que de fácil que es la gente no se toma lo suficientemente de verdad, y ahí esta el problema: la documentación de Google está bien aunque no cubre todas las pecularidades sobre como se marcha a interpretar dicho archivo y si nos quedamos solo ahí podemos cometer fallos que lamentaremos en el futuro.

Así pues, os dejo 10 conceptos sobre estos archivos que hay que tomar en consideración 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.

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 rastreando el site) al que deseamos afectar y tras esta indicaremos los accesos tolerados y prohibidos.

- Muy frecuentemente declararemos un accceso a todos (usuario-agent:*) y en ocsaiones nos referiremos a algún robot o bien crawler particularmente (usuario-agent:googlebot).

2. Después utilizamos directivas "Allow: expresion" y "Disallow: expresion" para apuntar si damos acceso o lo eliminamos. Por defecto podríamos decir que un robot tiene acceso a todas las URLs del site ("Allow:*") pero aunque esto ya es así desde el principio bastante gente decide dejarlo declarado de forma explicita y seguir prohibiendo desde ahí. Por eso aun siendo superfluo no debe semejarnos extraño ver un robots que empieza por "Allow: *".

3. Por ultimo, podemos indicar nuestro sitemap.xml si lo queremos (sitemap: sitemap.xml). Esto para Google carece de relevancia si gestionamos adecuadamente Google Search Console, aunque 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 incluso en otros dominios diferentes al nuestro (esto puede ser útil si por poner un ejemplo precisamos hacer subidas con cambios del fichero cada cierto tiempo y en la página web que trabajamos no nos lo permiten ir actualizando de forma tan ágil).

Así un caso que cubra todo lo que terminamos de mentar 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...

1. Donde colocas tu archivo es más importante de lo que creees.

Existe mucha confusión con este punto, en parte porque la documentación en el pasado (de hecho cuando escribi este artículo yo mismo lo detallé mal) El fichero 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 utilizan ficheros distintos. ¿Por qué etonces vemos sitios donde una configuración bloquea a otra? Lo veremos más adelante pero es sobretodo por temas de hosts redirigidos completamente con un trescientos uno. Esto es, cuando vemos que el robots.txt de afecta también a midominio.com generalmente es porque existe una redirección de "midominio.com/robots.txt" a "/robots.txt" y por consiguiente se lee el mimso archivo para los dos hosts. Lo mismo pasa con http y https, si uno esta redirigido al otro se aplica el mismo archivo 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 weblog.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 suprimir 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 procurar leerlo ni tiene por el hecho de que hacerle caso. Ciertos Content Management System se empeñan en añadirlo pero esto no forma parte de la definición oficial del archivo robots.txt.

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

Lo ideal es que un robots.txt esté codificado en UTF-8 para no tener problemas de lectura. Mas la verdad es que los ficheros de texto pueden tener varias 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 poner un ejemplo, por daros una opción sencilla y pontente notepad++ ) donde entre otras cosas se os deje elegir la codificación del archivo.

Aun así Google nos afirma que puede leer otras codificaciones, lo que pasa en estos casos no es tanto que el pueda o bien no, sino 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 adecuada.

Aun en los ficheros UTF-ocho hay una cosa en estos archivos que tiene por nombre. Lo ideal es que los archivos simples no tengan BOM pero 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 compañia de marketing , (1/2 GB) si lo pasamos no leerá el fichero. Así que tenemos que economizar estos ficheros y ya no solo por no acercanos a los 500MB sino pues son archivos muy consultados por los robots y a mayor tamaño más desgaste de proceso y red en el servidor.

3. Un disallow solo prohíbe leer el contenido no indexar (y de primeras no está centrado a desindexar)
Un aviso: No es exactamente 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 desde otras páginas y links 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. 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 mas prohíbe que su resultado salga en Google. Es el efecto contrario: las arañas prosiguen perdiendo el tiempo con esa página pero los resultados desaparecen 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 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 diferentes.

• 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. Definitivamente no es una forma rápida de desindexar, va más encaminado 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 antes del buscador

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

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 porque le hemos prohibido acceder a el así que ahórrate su etiquetado.

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

Otro caso es el de meta-robots=noindex unido a diseño web profesional huesca . En teoría nada impide que no puedas poner por servirnos de un ejemplo un noindex y un canonical al unísono, se puede mas es un tanto singular y en realidad su interpretación es muy equívoca. Y dados estos casos ambiguos sabemos que Google decide ignorar todas 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 inclusive esa, cuidadosamente (puesto que un noindex se rastrea poco, así que ponerle un follow termina siendo un tanto contradictorio).

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 comienzan 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 funcionan 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 varias 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 rastro que deseamos detectar.
  • Si pensamos en declarar carpetitas de la página 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. Esto es, 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. Esto es puedo escribir "disallow:" o "Disallow:" o bien "DISALLOW:" y es lo mismo mas "/mi-pagina" y "/MI-PAGINA" no son exactamente la misma URL.
• Se nos permite emplear 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/ pero tambien cualquier archivo o bien carpetita cuya url empiece por "/blog", por ejemplo "/blogueria.html"
    • "disallow: /*.doc" si que marcha pues 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 dólares americanos " solo bloqueará el fichero "/blog" pero no la carpetita "/blog/"
    
    
  • Se nos permite sobreescribir reglas por ejemplo permitir el rastreo de parte de una regla ya prohibida o bien prohibirlo entonces de nuevo para una regla que lo permitía.
    

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

    
    
  
  
• 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 archivos ".html" dentro de /blog-corporativo dado que es más larga la expresión de blog-corporativo y por ende 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 varias implicaciones:

• La solución cuando lo que deseamos es delimitar partes del final o fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" señalando que empieza por cualquier cosa y después si contiene ese indicio que queremos advertir.
• 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 y cada uno de los achivos internos que contengan esas carpetitas. 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 carpeta /blog/ mas tambien cualquier fichero o bien carpetita cuya url empiece por "/blog", por servirnos de un ejemplo "/blogueria.html"
  • "disallow: /*.doc" si que funciona puesto que contemplamos cualquier cáracter al comienzo y aguardamos que acabe por .doc
  
  
• "$ " 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$ " solo bloqueará el fichero "/blog" pero no la carpetita "/blog/"
  
  
• Se nos deja sobreescribir reglas por poner un ejemplo permitir el rastreo de parte de una regla ya prohibida o bien prohibirlo entonces nuevamente para una regla que lo permitía.
  

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

  
  

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

• "disallow: /categoria/$ " solo bloqueará el acceso a la página de categoría "/categoria/" pero no a ficheros internos como "/categorias/post"
• "disallow: /blog$ " 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 por el hecho de que todo el resto de URLs prosiguen prohibidas

No conseguirá que se rastreen los archivos ".html" dentro de /blog-corporativo puesto que es más larga la expresión de weblog-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, mas también así de ilógico.

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. Pero Google aproximadamente a los noventa días olvidará que le habías pedido borrar la URL y si por lo que sea vuelve a encontrarla la volverá a indexar. Por lo que sirve para quitar fallos puntuales pero no para quitar URLs que van a seguir ahí.
• En Google Search Console puedes utilizar la herramienta de parámetros de URL para indicar si un contenido aporta cambios en la url o no pero esto no es mandatario, Es solo una ayuda como puede ser el sitemaps y si Google cree 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 ayudar un poco con los listados. Lo que seguro que no evitará esta función es que los robots entren en dicha URL

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

Por ejemplo el conocido "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 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 líneas que comienzan 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 empleo. Una recomendacion para comentarios: Cuando trabajamos con varios proyectos o bien muchos sites es mejor incluir notas de la version subida como comentario.:

8. ¿Que pasa cuando Google no puede acceder o bien encuentra cosas extrañas al acceder a tu fichero robots?

Ya hemos dicho que el fichero robots.txt siempre y en todo momento 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 poner un ejemplo si no lo encuentra 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 fichero robots.txt es devolver un código de contestación diciéndole a las arañas si lo está encontrando o bien no.

• Código "200". Quiere decir que el fichero SI existe. Entonces lo leerá y aplicará sus reglas. 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, 401, 403, etc... Quiere decir que el archivo no existe o no está abierto al público. En ese caso google lo entenderá como un archivo 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 a todos los efectos que el contenido de esta URL a la que redirige robots.txt es el propio robots.txt, aun si existe un cambio de carpetita, 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 verdaderamente gestionamos nuestro fichero 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 encontrarnos 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 catarata de detección de fallos 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 mas esto en la mayoría de los casos no se hace así.

  
  
• Otros códigos (sobretodo quinientos tres). Si hay un fallo en servir el fichero, Google entiende que el dominio está caído y para no molestar 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, a menos que sostengamos así el servidor tanto que empiecen a perder fuerza los links 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 mas por el motivo que sea acostumbra a llevar a perdidas de autoridad y a que se intente reindexar la página web. Por este motivo, cuando hay errores técnicos en una web, y se están solventando en ese mismo día, es preferible obligar al fichero 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.

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

Conocer este detalle puede ser útil para gestionar robots.txt programados en ciertos sistemas. Podemos tratar la URL de /robots.txt solo como una redirección a donde verdaderamente gestionamos nuestro archivo 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 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 cascada de detección de fallos y pérdida de tiempos de rastreo. Por general la recomendación debería ser que todos los sites tengan su propio /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 error persiste en el tiempo no lo sabemos exactamente 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 errores técnicos en una web, y se están solventando 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 el momento en 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.

9. El bloqueo de archivos JS y CSS puede ocasionar problemas e incluso está mal visto por el buscador

Google recomeinda no Bloquear archivos CSS y JS. Antigüamente eran ficheros que se solían bloquear pues no le servian a las arañas para nada. precio de una tienda virtual 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 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 solicita 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 enviarnos notificaciones y en la práctica la autoridad/calidad que percibe de nuestra web disminuye.

Esto no significa que no podamos jamás bloquearle un fichero JS (todos sabemos para qué 😈) mas si que hay que evitar este bloqueo a nivel general.

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

Los contenidos 400 (páginas no encontradas, o bien cuatrocientos uno que suelen estar bajo login, etc...) si que son accedidos por las arañas. Google lo intenta y se encuentra al visitar las páginas con que estas no responden y por 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, 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 bien no, marquemolas con con disallow en el robots

Bonus. Es posible mandar un noindex desde tu servidor creando una suerte 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 fácil 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 antes. Sobre este tema podréis leer de todo, lo más común es que os encontréis artículos que os hablen de la directiva "noindex:" en el fichero robots.txt

Esta indicación viene a decirnos que podemos crear sentencias noindex en el archivo robots con exactamente 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 genial que nos dejasen hacer esto puesto que como comentaba ya 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 mientan e incluso, Google ya nos ha dicho quey mientras que lo sigan diciendo yo creo que no tiene sentido hacerlo. Así que no gozamos de esta posibilidad...

En su lugar tenemos otra forma más difícil mas efectiva a nivel de servidor que podemos utilizar. Google tiene documentado el empleo 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 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 directametne en la configuración del servidor. En ella merced 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 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 afables y redirecciones:

Pero no quiero estenderme demasaido con este sistema, si quieres leer más sobre como ponerlo en práctica te invito a que visites otro post de este mismo blog donde detallo otras. En la última de ellas se explica al detalle este sistema.

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 web, te das cuenta de que jamás sabes lo bastante de todo. Me pareció interesante compendiar todo esto por el hecho de que prosigo viendo con el tiempo que los problemas que existen en muchos sites debido a no entender bien los archivos robots.txt siguen ahí año tras año y absolutamente nadie habla de ellos demasiado.

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

Como siempre os espero en los comentarios o por twitter.

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