frogbanker81

Do not speak Spanish?.

Hace tiempo que no comentamos muchas cosas de SEO por aquí. Así que para que no se diga el día de hoy he sacado de borradores una serie de apuntes sobre uno de los básicos del SEO del que la mayoría de gente ignora detalles muy importantes: El fichero robots.txt, uno de los básicos de la indexación posicionamiento web. Robots.txt es un fichero destinado a señalar 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 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 quiere, 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 web en buscadores debe saber lo bastante como para manipularlo con éxito. agencia de diseño web madrid este motivo el mismo Google en su soporte nos indica como podemos crear el nuestro:.

Se nos da información muy directa y fácil de digerir. La redacción de estos archivos es sencillísima si bien 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 prosigan visitando URLs en las que no querríamos que perdieran el tiempo en el peor será todo lo contrario: no indexarán contenidos que en realidad si que deseamos que aparezcan en el buscador. Es el tipíco aspecto importante que de fácil que es la gente no se toma lo suficientemente en serio, 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 fallos que lamentaremos en el futuro.

Así puesto que, os dejo diez conceptos sobre estos archivos que hay que tomar en consideración y digerir. Desde lo más básico hasta consejos que solo en webs complejas o bien con mucho detalle de optimización del crawl budget podremos 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 bien rastreando el site) al que queremos afectar y tras esta indicaremos los accesos tolerados y prohibidos.

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

2. Después utilizamos directivas "Allow: expresion" y "Disallow: expresion" para apuntar si damos acceso o bien 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 a partir de ahí. Por eso aun siendo superfluo no debe parecernos raro ver un robots que comienza por "Allow: *".

3. Por ultimo, podemos señalar nuestro sitemap.xml si lo queremos (sitemap: sitemap.xml). Esto para Google carece de relevancia si gestionamos apropiadamente 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 aun en otros dominios distintos 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 dejan ir actualizando de forma tan ágil).

Así un ejemplo que cubra todo cuanto 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 pues la documentación anteriormente (de hecho cuando escribi este blog post yo mismo lo detallé mal) El fichero robots.txt siempre y en toda circunstancia 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 usan archivos diferentes. ¿Por qué etonces vemos sitios donde una configuración bloquea a otra? Lo vamos a ver más adelante pero es sobretodo por temas de hosts redirigidos absolutamente con un 301. Es decir, 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 lo tanto 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 ambos.

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 pero 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 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 procurar leerlo ni tiene pues hacerle caso. Ciertos Content Management System se empeñan en añadirlo pero 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 inconvenientes de lectura. Mas lo cierto es que los archivos de texto pueden tener múltiples codificaciones y si por ejemplo creas el archivo desde tu bloc de notas de windows probablemente su formato sea otro. Es recomendable emplear 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 elegir la codificación del archivo.

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 al generarlo se escriba en una codificación y el servidor lo devuelva en otra. Eso puede provocar los típicos caracteres extraños que acaban en que el fichero no funcione o bien no se lea de forma conveniente.

Aun en los ficheros UTF-8 hay una cosa en estos archivos que tiene por nombre. Lo idóneo 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 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 tenemos que ahorrar estos ficheros y ya no solo por no acercanos a los 500MB sino más bien por el hecho de que 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 completamente distintas.

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 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 como es natural 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.

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. 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 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 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 hacia esa página y por contra 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 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 si bien 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 (porque 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 otras directivas. En teoría nada impide que no puedas poner por ejemplo un noindex y un canonical al unísono, se puede mas es un tanto especial y en realidad su interpretación es muy equívoca. Y dados estos casos equívocos sabemos que Google decide ignorar todas y cada una de las señales del HTML (por no fiarse de ellas) por 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 poco 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 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 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 queremos es definir unas partes del final o fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" señalando que comienza 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 pues Google entenderá que se hace referencia a esa dirección y a todos los achivos internos que contengan esas carpetitas. Esto es, al indicar "/mi-carpeta" como disallow, también prohíbo el acceso a "/mi-carpeta/mi-archivo".
  
  
• Las indicaciones allow/disallow no son sensibles a mayúsculas y minúsculas, mas las URLs que se definen en ellas si lo son. O sea puedo redactar "disallow:" o "Disallow:" o bien "DISALLOW:" y es lo mismo pero "/mi-pagina" y "/MI-PAGINA" no son la misma URL.
• Se nos permite emplear los comodines * y $ para completar las URLs:
  
  • "*" equivale a cualquier conjunto de caracteres. (el equivalente en expresiones regulares a ".*")
    
    • "disallow: /blog*" bloqueará la carpeta /blog/ pero tambien cualquier fichero o bien carpetita cuya url empiece por "/blog", por servirnos de un ejemplo "/blogueria.html"
    • "disallow: /*.doc" si que funciona pues contemplamos cualquier cáracter al principio 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 archivos internos como "/categorias/post"
    • "disallow: /blog$ " solo bloqueará el archivo "/blog" pero no la carpetita "/blog/"
    
    
  • Se nos deja sobrescribir reglas por servirnos de un ejemplo permitir el rastreo de parte de una regla ya prohibida o prohibirlo entonces de nuevo para una regla que lo permitía.
    

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

    
    
  
  
• Por último, las reglas
  no se aplican por orden de lecturasino por lo especificas que son.
  
  La regla 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 puesto que es más larga la expresión de weblog-corporativo y en consecuencia pesa más.

  
  

  Pero esta otra composición si lo hará:

  
  

  disallow: /blog- consultor seo  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 queremos es definir unas partes del final o bien fragmentos de las URLs es redactarlas como sigue: "/*-producto" o "/*.doc" indicando que comienza por cualquier cosa y después si contiene ese indicio que deseamos detectar.
• 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 los achivos internos que contengan esas carpetas. Es decir, al indicar "/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 archivo o bien carpeta cuya url comience por "/blog", por poner un ejemplo "/blogueria.html"
  • "disallow: /*.doc" si que funciona puesto que 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/$ " solo bloqueará el acceso a la página de categoría "/categoria/" pero no a archivos internos como "/categorias/post"
  • "disallow: /blog$ " solo bloqueará el fichero "/blog" pero no la carpeta "/blog/"
  
  
• Se nos permite sobreescribir reglas por ejemplo permitir el rastreo de una 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

  
  

• "disallow: /blog*" bloqueará la carpetita /blog/ mas tambien cualquier archivo o 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

• "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 fichero "/blog" pero 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 prosiguen prohibidas

No conseguirá que se rastreen los ficheros ".html" en /blog-corporativo puesto que es más larga la expresión de blog-corporativo y por consiguiente 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 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 más o menos a los noventa días olvidará que le habías pedido borrar la URL y si por lo que sea vuelve a localizarla la volverá a indexar. Con lo que sirve para suprimir errores puntuales mas no para quitar URLs que van a proseguir ahí.
• En Google Search Console puedes emplear la herramienta de parámetros de URL para apuntar 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 indicar que no indexe URLs de campañas y asistir un tanto con los listados. Lo que seguro que no evitará esta función es que los robots entren en tal 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 al 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 líneas que empiezan por "#" también se ignoran al comprenderse como comentarios. No obstante si que cuentan en el tamaño de archivo máximo así que es mejor no pasarse con su empleo. Una recomendacion para comentarios: Cuando trabajamos con varios proyectos o muchos sites es mejor incluir notas de la version subida como comentario.:

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

Ya hemos dicho que el archivo robots.txt siempre y en todo momento se busca en la senda "/robots.txt" de tu dominio. Y que si no lo halla, podrá ir a buscarlo a un nivel superior de dominio (si existe). Por servirnos de 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 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" (cuatrocientos cuatro, cuatrocientos uno, 403, etc... Significa que el archivo no existe o no está abierto al público. En un caso así google lo entenderá como un fichero 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 en todos y cada uno de los sentidos 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 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 realmente 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 toparnos con que al migrar un site devolvemos un trescientos uno 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 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 propio /robots.txt y que jamás se redirija pero esto en la mayoría de los casos no se hace así.

  
  
• Otros códigos (sobretodo quinientos tres). Si hay un error en servir el archivo, Google comprende que el dominio está caído y para no molestar para el rastreo del site y solo consultará el archivo quinientos tres hasta el momento en que su error cambie. Parar el rastreo no supone desindexar, a menos que mantengamos así el servidor tanto que comiencen a perder fuerza los enlaces 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 exactamente pero 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 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 quinientos tres es totalmetne temporal.

  
  
• Sin respuesta. Otra posibilidad es que el servidor no devuelva nada o bien tarde demasiado tiempo en hacerlo (por problemas de configuración o pues la maquina está demasiado sobresaturada). En esos casos Google tira de la caché que tiene de este fichero a lo largo de un tiempo. O sea, interpreta el último fichero robots.txt al que pudo acceder y trabaja como si fuese este el que está subido.

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 bien de http a https. En estos casos podemos encontrarnos con que al migrar un site devolvemos un trescientos uno 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 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 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 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 fallos técnicos en una web, y se están solventando en ese día, es preferible obligar al archivo robots.txt a que devuelva fallo quinientos tres y así parar la indexación completa del site hasta el momento en que se arregle el inconveniente. 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 ficheros JS y CSS puede causar inconvenientes e inclusive está mal visto por el buscador

Google recomeinda no Bloquear ficheros CSS y JS. Antigüamente eran archivos que se solían bloquear pues 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 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 pide 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 mandarnos notificaciones y en la práctica la autoridad/calidad que percibe de nuestra página web reduce.

Esto marketing digital y ecommerce nunca bloquearle un archivo JS (todos sabemos para qué 😈) mas si que hay que evitar este bloqueo a nivel general.

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

Los contenidos cuatrocientos (páginas precio posicionamiento web granada , o bien cuatrocientos uno que suelen 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 lo 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 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 enlaces 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 mas para noindex y nofollow

No cuento este punto entre los 10 conceptos puesto que 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 fácil no está recomendado y no sabemos realmente si marcha).

Hablamos de hallar 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:" dentro del archivo robots.txt

Esta indicación viene a decirnos que podemos crear sentencias noindex en el archivo robots con 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 excelente que nos dejasen hacer esto puesto que como comentaba antes bloquear una URL no implica desindexarla y asi tendríamos un control total sobre todo esto. Sin embargo, y a pesar de que podréis ver como muchos SEOs lo mencionan e incluso, Google ya nos ha dicho quey mientras lo prosigan diciendo creo que no tiene sentido hacerlo. Así que no disfrutamos de esta posibilidad...

En su sitio tenemos otra forma más difícil mas efectiva a nivel de servidor que podemos usar. 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 enviar 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 Content Management System (PHP, Java, .Net, etc.) o directametne en la configuración del servidor. En ella gracias 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 administramos nuestras URLs amigables y redirecciones:

Pero no quiero estenderme demasaido con este sistema, si quieres leer más sobre como ponerlo en práctica te recomiendo que visites otro blog 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 conforme he ido descubriendo con los años todo lo que os he expuesto en este blog post, mas lo cierto es que como todo en el posicionamiento web en buscadores, te percatas de que jamás sabes lo suficiente de todo. Me pareció interesante recopilar todo esto por el hecho de que sigo viendo con el tiempo que los problemas que existen en muchos sites debido a no comprender 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 desconociesen.

Como siempre y en todo momento os espero en los comentarios o bien por twitter.

¿Te gustó este artículo? Puedes proseguir sus comentarios mediante, o realizardesde tu weblog.