gymbanker52

Do not speak Spanish?.

Hace tiempo que no comentamos muchas cosas de posicionamiento web en buscadores por aquí. Así que a fin de que no se afirme 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 señalar a los motores de búsqueda que URLs está en su 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 bien si por el contrario el dueño del site prefiere que no entre. En definitiva son solo indicaciones que cualquier robot puede saltarse si desea, pero 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 SEO ha de saber lo suficiente como para manipularlo con éxito. Por este motivo 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 ficheros es sencillísima aunque cualquier fallo, por mínimo que sea, podría provocar que las arañas no entraran en las páginas que nosotros queremos. En el mejor caso eso provocará que prosigan 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 esencial que de fácil que es la gente no se toma suficientemente de verdad, y ahí esta el problema: la documentación de Google está bien aunque no cubre todas y cada una de las pecularidades sobre como se marcha a interpretar dicho archivo y si nos quedamos solo ahí podemos cometer errores que lamentaremos en el futuro.

Así puesto que, 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 podremos aplicar.

Previo: El formato general del robots.txt

Un Robots.txt es fácil...

1. Comenzamos declarando en una línea el user-agent (nombre del sistema que está navegando o bien rastreando el site) al que deseamos afectar y tras esta indicaremos los accesos tolerados y prohibidos.

- Muchas veces declararemos un accceso a todos (user-agent:*) y en ocsaiones nos referiremos a algun robot o crawler particularmente (usuario-agent:googlebot).

2. Después empleamos directivas "Allow: expresion" y "Disallow: expresion" para apuntar si damos acceso o lo suprimimos. Por defecto podríamos decir que un robot tiene acceso a todas y cada una de las URLs del site ("Allow:*") mas si bien esto es ya así desde el comienzo mucha gente decide dejarlo declarado de forma explicita y seguir prohibiendo a partir de ahí. Por eso aun siendo innecesario no debe semejarnos extraño ver un robots que empieza por "Allow: *".

3. Por último, podemos señalar nuestro sitemap.xml si lo deseamos (sitemap: sitemap.xml). Esto para Google carece de relevancia si administramos 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 fichero sitemap es que puede estar alojado incluso en otros dominios diferentes al nuestro (esto puede ser útil si por poner un ejemplo necesitamos hacer subidas con cambios del archivo cada cierto tiempo y en la web que trabajamos no nos lo permiten ir actualizando de forma tan ágil).

Así un ejemplo que cubra todo lo que acabamos de mentar sería el siguiente:

Visto esta base, que es lo más conocido del robots, vayamos a por los conceptos que no todo el mundo tiene tan dominados...

1. Donde pones tu archivo es más esencial de lo que creees.

Existe mucha confusión con este punto, en parte por el hecho de que la documentación anteriormente (en verdad cuando escribi este blog post yo mismo lo detallé mal) El archivo robots.txt siempre y en todo momento se busca en la ruta "/robots.txt" de tu dominio. El robots.txt afecta al host donde está alojado mas 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 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 por norma general es porque hay una redirección de "midominio.com/robots.txt" a "/robots.txt" y en consecuencia se lee el mimso archivo para ambos hosts. Lo mismo pasa con http y https, si uno esta redirigido al otro se aplica el mismo archivo a ambos.

Pero en definiva vendría a ser esto:

Así pues:

• midominio.com/robots.txt>>NO afecta a y a weblog.midominio.com
• dev.midominio/robots.txt>>Afecta a dev.midominio.com pero no a blog.dev.midominio.com
• /robots.txt>>Afecta a pero no a blog. 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 carpetas 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 porque hacerle caso. Ciertos CMS se empeñan en añadirlo mas esto no es parte de la definición oficial del fichero robots.txt.

2. El tipo y tamaño de 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. Pero 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 usar editores de texto plano más profesionales (como por ejemplo, por daros una opción fácil y pontente notepad++ ) donde entre otras muchas cosas se os deje escoger la codificación del fichero.

Aun así Google nos dice que puede leer otras codificaciones, lo que ocurre en estos casos no es tanto que el pueda o no, sino que 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 fichero no funcione o no se lea de forma adecuada.

Aun dentro de los archivos UTF-8 hay una cosa en estos ficheros que se llama. Lo idóneo es que los archivos 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 fichero. Así que debemos ahorrar estos archivos y ya no solo por no acercanos a los 500MB sino porque 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 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 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 enlaces 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 mantiene 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 mas prohíbe que su resultado salga en Google. Es el efecto contrario: las arañas prosiguen perdiendo el tiempo con esa página mas los resultados desaparecen ya antes del buscador

Todo esto naturalmente 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 lo mismo un <meta name="robots" content="noindex" /> que un disallow en el robots. Significan cosas completamente diferentes.

• Disallow prohibe a las arañas leer el HTML de la página. Pero puede leer la URL y aparecer esta en búsquedas con información desde otras páginas y enlaces de internet. Además con un disallow no eliminamos 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 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 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 naturalmente con matices... A la larga un Disallow provocará la desindexación si no hay enlaces externos cara 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 un disallow+canonical o bien disallow+rel-next/prev o bien un disallow+loquesea-en-el-html. Google no va a contemplar este HTML pues 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 trescientos uno 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 301 (por el hecho de que no debería acceder a la URL con 301) así que el traspaso de autoridad no se realizará de forma eficiente. En la práctica a veces si se da cuenta de la redirección mas generalmente 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 ejemplo un noindex y un canonical a la vez, se puede mas es un poco especial y en realidad su interpretación es muy equívoca. Y ante estos casos equívocos sabemos que Google decide ignorar todas y cada una de 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 incluso esa, con cuidado (puesto que un noindex se rastrea poco, así que ponerle un follow acaba siendo un tanto contradictorio).

5. La redacción de las URLs es bien simple, mas muy concreta y sus reglas de lectura no son tan intuitivas como podría parecer.

La vamos a repasar por el hecho de que llegados al detalle tiene miga y la gente comete muchos fallos.

Cada línea debe empezar 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. Reglas tipo "disallow: .doc" no marchan pues 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 queremos es delimitar unas partes del final o fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" indicando que comienza por cualquier cosa y después si contiene ese rastro que deseamos detectar.
  • Si pensamos en declarar carpetitas de la página 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 carpetas. O sea, al apuntar "/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 escribir "disallow:" o "Disallow:" o "DISALLOW:" y es lo mismo pero "/mi-pagina" y "/MI-PAGINA" no son la misma URL.
• Se nos deja 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 también cualquier fichero o carpeta cuya url empiece por "/blog", por poner un ejemplo "/blogueria.html"
    • "disallow: /*.doc" si que marcha puesto que 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 archivos internos como "/categorias/post"
    • "disallow: /blog$ " solo bloqueará el archivo "/blog" pero no la carpetita "/blog/"
    
    
  • Se nos permite sobrescribir reglas por servirnos de un ejemplo permitir el rastreo de parte de una regla ya prohibida o prohibirlo luego nuevamente 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 ficheros ".html" en /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, pero también así de ilógico.

  
  

Esto tiene múltiples implicaciones:

• La solución cuando lo que deseamos es definir partes del final o bien fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" indicando que comienza por cualquier cosa y luego si contiene ese indicio que queremos detectar.
• Si pensamos en declarar carpetitas de la página 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 indicar "/mi-carpeta" como disallow, también prohíbo el acceso a "/mi-carpeta/mi-archivo".

• "*" equivale a cualquier conjunto de caracteres. (el hacer tienda online expresiones regulares a ".*")
  
  • "disallow: /blog*" bloqueará la carpetita /blog/ mas tambien cualquier fichero o bien carpeta cuya url comience por "/blog", por ejemplo "/blogueria.html"
  • "disallow: /*.doc" si que funciona puesto que contemplamos cualquier cáracter al comienzo y aguardamos que acabe por .doc
  
  
• " dólares americanos " Nos permite 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$ " solo bloqueará el archivo "/blog" pero no la carpeta "/blog/"
  
  
• Se nos deja sobrescribir reglas por servirnos de un ejemplo permitir el rastreo de parte de una regla ya prohibida o bien prohibirlo luego nuevamente para una regla que lo permitía.
  

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

  
  

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

• "disallow: /categoria/ dólares americanos " solo bloqueará el acceso a la página de categoría "/categoria/" mas no a ficheros internos como "/categorias/post"
• "disallow: /blog$ " solo bloqueará el fichero "/blog" mas no la carpeta "/blog/"

Si rastreará tanto la home como la categoría-1 del blog, mas no el resto porque todo el resto de URLs siguen prohibidas

No conseguirá que se rastreen los ficheros ".html" en /blog-corporativo puesto que es más larga la expresión de blog-corporativo y por ende pesa más.

Pero esta otra composición si lo hará:

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

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 perdurable que una sentencia de robots.txt...

• En Google Search Console puedes utilizar la herramienta de borrar contenido y estas URLs se borrarán. Pero Google aproximadamente a los 90 días olvidará que le habías pedido borrar la URL y si por lo que sea vuelve a hallarla la volverá a indexar. Por lo que sirve para quitar errores puntuales pero no para quitar URLs que van a seguir ahí.
• En Google Search Console puedes emplear la herramienta de parámetros de URL para indicar si un contenido aporta cambios en la url o bien no pero esto no es líder, 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 indicar 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 dicha URL

7. Todas y cada una de las directivas no contempladas en la deficnición del robots se ignoran.

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

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

Y por último las lineas que empiezan 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 múltiples proyectos o muchos sites es mejor incluir notas de la version subida como comentario.:

8. ¿Que pasa cuando Google no puede acceder o encuentra cosas raras al acceder a tu archivo robots?

Ya hemos dicho que el fichero robots.txt siempre y en toda circunstancia 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 buscarlo a dominio.com/robots.txt

Pero veamos ahora que pasa cuando lo pide. 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". Significa que el fichero SI existe. Entonces lo leerá y aplicará sus normas. Si está vacío o bien googlebot no tiene directrices "disallow" entenderá que tiene acceso a todo y entrará hasta la cocina de la web
• Códigos "4xx" (404, 401, 403, etc. Significa programación tienda online sevilla o no está abierto al público. En ese caso google lo entenderá como un archivo vacío y dará acceso a todo 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 y cada uno de 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 carpeta, la URL está en otro dominio o bien 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 verdaderamente gestionamos nuestro archivo robots.txt.

  
  

  Sin embargo también puede suponer un inconveniente en migraciones mal efectuadas 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 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 errores 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 jamás se redirija pero esto en la mayoría de los casos no se hace así.

  
  
• Otros códigos (sobretodo 503). Si hay un fallo en servir el archivo, Google comprende que el dominio está caído y para no incordiar para el rastreo del site y solo consultará el fichero quinientos tres hasta que su error cambie. Parar el rastreo no supone desindexar, salvo que mantengamos así el servidor tanto que comiencen a perder fuerza los links y contenidos de la página, por norma general 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 suele llevar a perdidas de autoridad y a que se intente reindexar la página web. Por esta razón, cuando hay errores técnicos en una web, y se están solucionando en ese mismo 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 puesto 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 inconvenientes de configuración o porque la trama está demasiado saturada). En esos casos Google tira de la caché que tiene de este fichero a lo largo de un tiempo. O sea, interpreta el último archivo 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 algunos sistemas. Podemos tratar la URL de /robots.txt solo como una redirección a donde realmente administramos nuestro fichero robots.txt.

Sin embargo también puede suponer un inconveniente 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 301 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 y cada uno de los sites tengan su propio /robots.txt y que jamás se redirija pero esto en la mayoría de los casos no se hace así.

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 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 que se arregle el problema. Esto es mucho mejor que bloquear el rastreo puesto 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 ficheros CSS y JS. Antigüamente eran archivos que se solían bloquear por el hecho de que no le servian a las arañas para nada. Mas 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 lugar ocupan en el diseño y lo visibles 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 comienza a enviarnos notificaciones y en la práctica la autoridad/calidad que percibe de nuestra página web reduce.

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

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

Los contenidos cuatrocientos (páginas no encontradas, o 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 tanto no indexan.

Al final con esta situación lo que provocamos es perder tiempo de rastreo en URLs que jamás se van a indexar así que suele 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 bien no, marquemolas con con disallow en el robots

Bonus. Es posible enviar un noindex desde tu servidor creando una suerte de robots.txt pero para noindex y nofollow

No cuento este punto entre los diez conceptos pues en realidad habla más de directivas de indexación que de robots.txt y es más una posibildiad que no es fácil de incorporar para todos ( y en su versión más sencilla no está recomendado y no sabemos verdaderamente si marcha).

Hablamos de encontrar 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 charlen de la directiva "noindex:" dentro del fichero robots.txt

Esta directriz 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 pero que los contenidos de las páginaciones de esta categoría no deben aparecer en el índice de búsqueda.

Seria genial que nos dejaran hacer esto puesto que como comentaba antes bloquear una URL no implica desindexarla y asi tendríamos un control total sobre todo esto. No obstante, y pese a que podréis ver como muchos SEOs lo mencionan e incluso, Google ya nos ha dicho quey mientras lo sigan diciendo yo creo que no tiene sentido hacerlo. Así que no gozamos de esta posibilidad...

En su sitio tenemos otra forma más difícil mas 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 tenemos que 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 parte del propio sistema, esto nos abre la puerta a crear un fichero que gestione estas cabeceras en nuestro servidor. Podemos hacer esto con el lenguaje de programación de nuestro Content Management System (PHP, Java, .Net, etcétera) o bien directametne en la configuración del servidor. En ella gracias a los archivos .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 descripción de los ficheros PDF en el .htaccess...

O no indexar paginaciones a través del módulo de modRewrite con el que administramos nuestras URLs afables y redirecciones:

Pero no quiero estenderme demasaido con este sistema, si deseas leer más sobre como ponerlo en práctica te invito a que visites otro post de este 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 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 SEO, te percatas de que jamás sabes lo suficiente de todo. Me pareció interesante compendiar todo esto pues prosigo viendo con el tiempo que los inconvenientes que existen en muchos sites debido a no entender bien los archivos 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 todo momento os espero en los comentarios o bien por twitter.

¿Te gustó este blog post? Puedes seguir sus comentarios a través de, o bien realizardesde tu blog.