Sitemap XML

Un sitemap responde a una sola pregunta: qué URL considera esta web que merece la pena conocer. Es una ayuda para el descubrimiento, y es realmente útil en webs con un enlazado interno pobre, en las que se añaden páginas más rápido de lo que se enlazan o en las que hay secciones muy profundas en la estructura.

No es una señal de posicionamiento ni una orden. Una página incluida en un sitemap que Google considera escasa, duplicada o de poco valor se queda fuera del índice, y Search Console la mostrará como «Descubierta: actualmente sin indexar». Ese estado se suele interpretar como un problema de rastreo cuando es un veredicto.

En una web pequeña y bien enlazada, un sitemap no aporta casi nada, porque todas las páginas están ya a dos clics. Conviene decírselo a los clientes a los que les han dicho que un sitemap arreglará su indexación, porque es uno de los malos consejos más extendidos.

Donde de verdad se gana su sitio es como una declaración de intenciones que se puede comparar con la realidad. Enviadas frente a indexadas es un diagnóstico de dos cifras, y la diferencia entre ambas es la lista de páginas que la web quería indexar y no ha conseguido.

Un sitemap debe contener URL canónicas e indexables que devuelvan un 200. Cada entrada es una afirmación de que esa dirección es la versión definitiva de una página que merece indexarse, y todo lo que no encaje con esa descripción contradice la afirmación.

Los elementos que lo contaminan se generan todos de forma automática. URL con redirecciones que quedaron tras una migración. Páginas con una etiqueta noindex, que dicen lo contrario que el sitemap. Variantes con parámetros cuya canónica apunta a otro sitio. URL que devuelven un 404 porque el sitemap se regenera cada cierto tiempo y no al publicar.

Ninguno de ellos rompe nada directamente, y ese es el problema: la web le está diciendo a Google dos cosas distintas y dejando que elija. Un sitemap medio equivocado es una señal más débil que no tener sitemap, porque dice que la web no conoce su propio estado.

La comprobación es mecánica y lleva unos minutos: rastrea el sitemap y confirma que todas las entradas devuelven un 200, tienen una canónica que apunta a sí mismas y no llevan noindex. En la mayoría de las webs de clientes, ese rastreo encuentra algo la primera vez.

La fecha de última modificación es la única parte de un sitemap que aporta información real, y es la que peor hacen la mayoría de las implementaciones.

Bien hecha, indica cuándo cambió de verdad el contenido de la página, y un rastreador puede usarla para priorizar: merece la pena volver a las páginas que han cambiado y no a las que no. Tal y como lo hacen la mayoría de los plugins, se rellena con la fecha en que se generó el sitemap, así que todas las URL dicen haber cambiado esta mañana.

Un campo en el que todo ha cambiado hoy no aporta información, y un rastreador que aprende que una web miente en él deja de usarlo. Google ha dicho claramente que ignora lastmod cuando no se fía, así que equivocarse no tiene como coste una penalización, sino la pérdida silenciosa de la única señal útil del archivo.

Merece la pena comprobarlo en lugar de suponerlo, porque no se ve desde la web. Abre el sitemap, mira veinte entradas y comprueba si las fechas son distintas entre sí. Si son todas iguales y recientes, el campo es decorativo.

Lo más valioso que aporta un sitemap no es el descubrimiento. Es un denominador. Search Console muestra cuántas de las URL enviadas están indexadas, y esa comparación convierte una preocupación vaga en una lista.

Al llegar a la web de un cliente nuevo, suele ser el diagnóstico útil más rápido que existe. Seiscientas enviadas y doscientas indexadas es un problema concreto con un conjunto concreto de páginas detrás, y el informe de cobertura da el motivo de cada una: «Duplicada: el usuario no ha indicado ninguna versión canónica», «Rastreada: actualmente sin indexar», soft 404, «Excluida por la etiqueta noindex». Cada motivo apunta a un sitio distinto.

También hace que merezca la pena dividir el sitemap. Archivos separados para productos, artículos y páginas de categoría permiten leer la proporción de indexadas por tipo, y una sección que se indexa mal se hace visible en lugar de quedar diluida en una sola cifra que parece aceptable.

Lo que no es este diagnóstico es un problema de presupuesto de rastreo. En una web de unas pocas miles de páginas, una proporción baja de indexadas es un problema de calidad, de duplicados o de intención, y el motivo de cobertura dirá cuál.