Cuando un sitio publica decenas de páginas por semana, los motores de búsqueda no las encuentran todas por sí mismos. El sitemap es el archivo que les proporciona la lista completa de URL a explorar. Para cualquiera que supervise la evolución de la web, entender este mecanismo cambia la forma de recopilar información.
El sitemap como señal de frescura para la vigilancia
La mayoría de las guías presentan el sitemap desde la perspectiva del SEO. Su utilidad para la vigilancia está menos documentada, aunque es directa.
Para profundizar : Todo lo que necesitas saber sobre el Pase Carmillon SNCF para jubilados: ventajas y condiciones
Un sitemap XML contiene, para cada URL, una etiqueta lastmod que indica la fecha de la última modificación significativa. Al supervisar esta etiqueta en los sitios que sigues, puedes identificar las páginas actualizadas sin necesidad de visitarlas una por una.
Google ha precisado que lastmod debe reflejar un cambio real en el contenido principal, los datos estructurados o los enlaces, y no un simple ajuste de formato. Este endurecimiento transforma la etiqueta en un indicador fiable: cuando se mueve, el contenido realmente ha cambiado.
También recomendado : Todo lo que necesitas saber sobre el costo de una hipoteca para un préstamo inmobiliario en 2024
Al consultar regularmente el sitemap de Nuestra Vigilancia de la Web, se visualiza, por ejemplo, el conjunto de páginas recientemente publicadas o actualizadas en el sitio, clasificadas por fecha.
Archivo sitemap XML: estructura y límites técnicos
Un sitemap es un archivo de texto en formato XML. Comienza con una declaración de conjunto de caracteres, y luego lista bloques que contienen cada uno una URL y sus metadatos. Esto es lo que se encuentra concretamente:
- La etiqueta loc, que contiene la dirección completa de la página (por ejemplo https://monsite.fr/article-veille).
- La etiqueta lastmod, que especifica la fecha del último cambio significativo en formato ISO (año-mes-día).
- La etiqueta changefreq, que sugiere una frecuencia de actualización (diaria, semanal, mensual). Sin embargo, Google indica que la ignora en gran medida.
- La etiqueta priority, que se supone que jerarquiza las páginas entre sí. En la práctica, los motores de búsqueda ya no la tienen en cuenta para sus decisiones de rastreo.
El archivo es generalmente accesible en la dirección /sitemap.xml o /sitemap_index.xml. Un sitemap único no puede exceder 50,000 URL. Más allá de eso, es necesario crear un índice de sitemaps que apunte a varios archivos secundarios.
En WordPress, extensiones como Yoast o Rank Math generan automáticamente estos archivos. Segmentan las URL por tipo de contenido (artículos, páginas, categorías) y excluyen las páginas marcadas como noindex.
Fin del ping de sitemap: lo que cambia para el seguimiento
Hasta hace poco, era posible “pingear” a Google para informarle sobre una actualización del sitemap. Google ha eliminado el soporte para los endpoints de ping a finales de 2023, explicando que el mecanismo estaba siendo demasiado explotado por el spam.
Esta eliminación tiene una consecuencia directa para la vigilancia. Significa que la simple notificación de un cambio ya no es suficiente. Google ahora confía en el contenido real del archivo sitemap y en la coherencia entre la fecha lastmod, la fecha visible en la página y el campo dateModified en los datos estructurados.
Para un vigilante, esta evolución es una buena noticia. Un sitemap cuyas fechas son fiables se convierte en una herramienta de detección más precisa que un feed RSS mal mantenido. Cuando las tres fechas (lastmod, fecha mostrada, esquema) coinciden, se puede considerar que la actualización es auténtica.
Un sitemap obsoleto falsea la percepción de la web
Un caso documentado describe una plataforma de comercio electrónico cuyos registros del servidor mostraban que Googlebot continuaba rastreando URL eliminadas, porque el sitemap no había sido regenerado tras una migración. Un sitemap no mantenido envía señales falsas, tanto a los motores como a las herramientas de vigilancia automatizadas.
Si utilizas los sitemaps de un tercero para tu vigilancia, verifica que las fechas lastmod realmente evolucionen. Un archivo cuyas fechas son idénticas en cientos de páginas probablemente se genera sin reflejar cambios reales.
Sitemap y robots.txt: dos archivos complementarios para el SEO
El sitemap lista las páginas a explorar. El archivo robots.txt indica las páginas que no deben ser exploradas. Confundir sus roles es un error frecuente.
El robots.txt bloquea el rastreo, no la indexación. Una página bloqueada en robots.txt puede aparecer en los resultados de búsqueda si otros sitios apuntan hacia ella. El sitemap, por su parte, facilita el descubrimiento de las páginas pero no garantiza ni su indexación ni su clasificación.
Para que ambos archivos funcionen juntos, la buena práctica consiste en declarar la ubicación del sitemap directamente en el robots.txt, con una línea del tipo Sitemap: https://monsite.fr/sitemap.xml. Esta declaración permite a los motores localizar el archivo sin pasar por la Search Console.
- No incluyas en el sitemap más que las páginas en estado 200 (accesibles) e indexables.
- Excluye las páginas con una etiqueta noindex o aquellas redirigidas en 301.
- Alinea lastmod, dateModified y la fecha visible en la página para reforzar la credibilidad de la señal.
Un sitemap bien estructurado no transforma el SEO de un sitio por sí solo. Reduce el tiempo entre una publicación y su consideración por parte de los motores. Para la vigilancia, este atajo entre la publicación y la visibilidad es precisamente lo que importa: detectar un contenido nuevo antes de que se pierda en la masa.