Quando um site publica dezenas de páginas por semana, os motores de busca não conseguem encontrá-las todas por conta própria. O sitemap é o arquivo que fornece a lista completa de URLs a serem exploradas. Para quem monitora a evolução da web, entender esse mecanismo muda a forma de coletar informações.
O sitemap como sinal de frescor para a vigilância
A maioria dos guias apresenta o sitemap sob a perspectiva do SEO. Sua utilidade para a vigilância é menos documentada, embora seja direta.
Veja também : Tudo sobre o Pass Carmillon SNCF para aposentados: vantagens e condições
Um sitemap XML contém, para cada URL, uma tag lastmod que indica a data da última modificação significativa. Ao monitorar essa tag nos sites que você acompanha, você identifica as páginas atualizadas sem precisar visitá-las uma a uma.
O Google, aliás, esclareceu que lastmod deve refletir uma mudança real no conteúdo principal, nos dados estruturados ou nos links, e não um simples ajuste de formatação. Essa rigidez transforma a tag em um indicador confiável: quando ela muda, o conteúdo realmente mudou.
Veja também : Tudo sobre a classificação feminina e a tabela de pontos do biatlo para a temporada
Consultando regularmente o sitemap da Nossa Vigilância da Web, você visualiza, por exemplo, todas as páginas recentemente publicadas ou atualizadas no site, organizadas por data.
Arquivo sitemap XML: estrutura e limites técnicos
Um sitemap é um arquivo de texto no formato XML. Ele começa com uma declaração de conjunto de caracteres, seguida por blocos que contêm cada um uma URL e seus metadados. Aqui está o que você encontra concretamente:
- A tag loc, que contém o endereço completo da página (por exemplo, https://monsite.fr/article-veille).
- A tag lastmod, que especifica a data da última alteração significativa no formato ISO (ano-mês-dia).
- A tag changefreq, que sugere uma frequência de atualização (diária, semanal, mensal). O Google, no entanto, indica que a ignora amplamente.
- A tag priority, que deveria hierarquizar as páginas entre si. Na prática, os motores de busca não a consideram mais para suas decisões de rastreamento.
O arquivo é geralmente acessível no endereço /sitemap.xml ou /sitemap_index.xml. Um sitemap único não pode exceder 50.000 URLs. Além disso, é necessário criar um índice de sitemaps que aponte para vários arquivos secundários.
No WordPress, extensões como Yoast ou Rank Math geram automaticamente esses arquivos. Elas segmentam as URLs por tipo de conteúdo (artigos, páginas, categorias) e excluem as páginas marcadas como noindex.
Fim do ping de sitemap: o que muda para o acompanhamento
Até recentemente, era possível “pingar” o Google para sinalizar uma atualização do sitemap. O Google removeu o suporte aos endpoints de ping no final de 2023, explicando que o mecanismo estava sendo muito explorado por spam.
Essa remoção tem uma consequência direta para a vigilância. Isso significa que a simples notificação de uma mudança não é mais suficiente. O Google agora confia no conteúdo real do arquivo sitemap e na coerência entre a data lastmod, a data visível na página e o campo dateModified nos dados estruturados.
Para um vigilante, essa evolução é uma boa notícia. Um sitemap cujas datas são confiáveis se torna uma ferramenta de detecção mais precisa do que um feed RSS mal mantido. Quando as três datas (lastmod, data exibida, esquema) coincidem, pode-se considerar que a atualização é autêntica.
Um sitemap obsoleto distorce a percepção da web
Um caso documentado descreve uma plataforma de e-commerce cujos logs de servidor mostravam que o Googlebot continuava a rastrear URLs excluídas, porque o sitemap não havia sido regenerado após uma migração. Um sitemap não mantido envia sinais falsos, tanto para os motores quanto para as ferramentas de vigilância automatizadas.
Se você utiliza os sitemaps de terceiros para sua vigilância, verifique se as datas lastmod realmente evoluem. Um arquivo cujas datas são idênticas em centenas de páginas provavelmente é gerado sem refletir mudanças reais.
Sitemap e robots.txt: dois arquivos complementares para o SEO
O sitemap lista as páginas a serem exploradas. O arquivo robots.txt indica as páginas a não serem exploradas. Confundir seus papéis é um erro frequente.
O robots.txt bloqueia o rastreamento, não a indexação. Uma página bloqueada no robots.txt pode ainda aparecer nos resultados de busca se outros sites apontarem para ela. O sitemap, por sua vez, facilita a descoberta das páginas, mas não garante nem sua indexação nem seu posicionamento.
Para que os dois arquivos funcionem juntos, a boa prática consiste em declarar a localização do sitemap diretamente no robots.txt, com uma linha do tipo Sitemap: https://monsite.fr/sitemap.xml. Essa declaração permite que os motores localizem o arquivo sem passar pela Search Console.
- Liste no sitemap apenas as páginas com status 200 (acessíveis) e indexáveis.
- Exclua as páginas com uma tag noindex ou aquelas redirecionadas em 301.
- Alinhe lastmod, dateModified e a data visível na página para reforçar a credibilidade do sinal.
Um sitemap bem estruturado não transforma o SEO de um site por si só. Ele reduz o tempo entre uma publicação e sua consideração pelos motores. Para a vigilância, esse atalho entre a publicação e a visibilidade é precisamente o que importa: identificar um conteúdo novo antes que ele se perca na massa.