Google hoy nos enseña un poco más de
cómo indexa las páginas webs de nuestros sitios.
Según Google los robots rastrean una página según estos factores:
- Porque ya conoce la página.
- Porque otras páginas enlazan con ella.
- Porque la página está en el sitemaps.
También nos comenta que
los robots no acceden a las páginas sino a URLs, porque la misma página puede ser accesible por medio de distintas URLs, un ejemplo:
- http://www.example.com/
- http://www.example.com/index.html
- http://example.com
- http://example.com/index.html
Y que en este caso, Google sumara 4 páginas en su índice, otro ejemplo en el que ocurre esto es cuando hacemos distintos links dentro de una misma página, por ejemeplo:
- http://www.example.com/mypage.html#heading1
- http://www.example.com/mypage.html#heading2
- http://www.example.com/mypage.html#heading3
O por medio de URLs dinámicas
- http://www.example.com/furniture?type=chair&brand=123
- http://www.example.com/hotbuys?type=chair&brand=123
Por estos motivos pude tener un mayor número de páginas indexadas en un sitio de las que realmente son. Cuando Google tiene 4 URLs distintas que realmente son la misma página, sólo mostrará una y nos dice cómo podemos elegir cuál queremos que sea esa página que nos muestre, como siempre con redirecciones 301 y tratando el archivo robots.txt .
Haciendo una redireccion 301 a la versión que nosotros prefiramos
Por ejemplo redireccionando los index de nuestros directorios a la raíz del directorio ej. de www.mecagoenlos.com/index.php a www.mecagoenlos.com/
Usando el robots.txt
Podemos bloquear el acceso a los robots a determinadas páginas, o páginas con parametros en la URL
ej. de robots.txt para bloquear páginas con parametros en la URL y así Google sólo coja la página principal
User-agent: *
Disallow: /*?*
Y la gran novedad es que ahora escribimos nuestro robots.txt virtual y podemos ver el resultado que tendría sobre una página determinada de nuestra web ese robots.txt virtual que creamos en la herramienta de Google Sitemaps, así podrás comprobar que ese archivo hace lo que tú pretendías.
En el caso de que el robots.txt esté bloqueando esa URL que estamos comprobando te dice exactamente qué línea de tu robots.txt es la que no permite al robot de Google acceder.
Parece ser que Google se ha dado cuenta del número desmesurado de URLs que tiene para algunos sitios, ya que este número se ve muy incrementado cuando usas parametros en la URL para por ejemplo ordenar resultados.
Así intentará que los webmasters como siempre le facilitemos las cosas, por el bien de los dos.
Errioxa (@)hace Hace más de 17 años y 360 días
Pero no sólo habla de las URL canónicas, con www o sin www, sino de todas en general y con las URLs dinámicas que sí pueden dar problemas.