Un sitemap es un archivo XML que enumera las URL de un sitio web y transmite esa lista a los motores de búsqueda. Google lo lee para descubrir páginas, pero no se compromete a rastrearlas todas ni a indexarlas. Comprender esta diferencia entre descubrimiento, rastreo e indexación cambia la forma de utilizar un sitemap: no es una herramienta de envío automático, sino una herramienta de diagnóstico.
Qué tiene realmente en cuenta Google del sitemap XML
El sitemap envía a Google una lista de URL acompañada de metadatos. No todos estos metadatos tienen la misma importancia. Google ignora los campos priority y changefreq: rellenarlos no modifica el comportamiento del robot.
El campo lastmod, en cambio, puede influir en la frecuencia con la que se vuelve a rastrear una página. La condición es que la fecha sea fiable y corresponda a un cambio real en el contenido. Un sitemap cuyo lastmod se actualiza a diario sin que haya cambios en el contenido pierde toda credibilidad a ojos de Google, que acaba ignorando esta señal.
Un sitemap declarado en Search Console genera un informe específico. Este informe indica el número de URL descubiertas, pero no cuántas se han rastreado ni cuántas están indexadas. Explorar el sitio iLinks en Google Search permite visualizar rápidamente la estructura de un sitemap y detectar las diferencias entre lo que se declara y lo que Google procesa realmente.
Sitemap e indexación: detectar diferencias en Search Console
El principal valor de un sitemap no reside en crearlo, sino en lo que revela al contrastarlo con los datos de Search Console. Un sitio puede declarar varios cientos de URL en su sitemap y ver indexada solo una fracción.
Tres niveles de procesamiento que conviene distinguir
Una URL incluida en el sitemap pasa por tres etapas sucesivas, y cada una puede fallar independientemente de las demás:
- Descubrimiento: Google ha leído la URL en el sitemap. El informe Sitemaps confirma esta etapa, pero no garantiza nada más.
- Rastreo: Googlebot ha descargado la página. Una URL puede permanecer en el estado «Descubierta, actualmente sin indexar» durante semanas si el presupuesto de rastreo del sitio es limitado.
- Indexación: la página se ha analizado, se ha considerado suficientemente relevante y se ha añadido al índice. Las páginas rastreadas pueden quedar excluidas por contenido duplicado, contenido escaso o señales canónicas contradictorias.
Para detectar dónde se produce el bloqueo, compara el número de URL del sitemap con el informe «Páginas» (antes, Cobertura) de Search Console. Las páginas bloqueadas en la etapa «Descubierta» indican un problema de presupuesto de rastreo. Las páginas bloqueadas en la etapa «Rastreada: actualmente sin indexar» indican un problema de calidad o de señales técnicas.
URL canónica declarada y URL canónica seleccionada por Google
Un diagnóstico que suele pasarse por alto consiste en comprobar si la URL canónica que selecciona Google coincide con la declarada en el sitemap. La herramienta de inspección de URL de Search Console muestra esta información para cada página.
Una diferencia entre ambas señala un conflicto de señales. Por ejemplo, el sitemap puede incluir una URL HTTPS mientras que los enlaces internos todavía apuntan a la versión HTTP. O bien, una etiqueta rel=”canonical” en el código fuente puede dirigir a otra página distinta de la declarada en el sitemap.
Estas contradicciones no provocan una penalización, pero diluyen las señales de la página. Google elige entonces la URL canónica que considera más coherente, lo que puede llevarle a indexar una página distinta de la deseada. Revisar una muestra de páginas estratégicas mediante la inspección de URL sigue siendo el método más fiable para detectar este tipo de problema.
Estructura del sitemap: índice, segmentación y varios archivos
Un sitemap puede ser un archivo único o un índice de sitemaps que haga referencia a varios archivos secundarios. Los sitios grandes utilizan esta segmentación para organizar sus URL por tipo de contenido: páginas de productos, artículos de blog, categorías y páginas en distintos idiomas.
Criterios de segmentación útiles
Segmentar un sitemap por tipo de contenido permite identificar rápidamente qué grupo de páginas plantea problemas. Si las páginas de productos están bien indexadas, pero los artículos no, el sitemap segmentado permite detectar el problema de inmediato en Search Console.
Una buena segmentación se basa en una lógica funcional, no técnica. Separar las URL por directorio del servidor no aporta nada si esos directorios no corresponden a tipos de contenido distintos. En cambio, un sitemap por categoría de contenido facilita el seguimiento página por página.
Cada archivo sitemap está sujeto a un límite de tamaño. Google acepta los archivos que no superan ese límite y están codificados en UTF-8. Un archivo demasiado grande o con una codificación incorrecta simplemente se ignorará, en algunos casos sin mostrar un mensaje de error explícito.
Leer el sitemap de un competidor para analizar su estructura
El sitemap de un sitio de terceros suele estar disponible públicamente. El primer paso consiste en comprobar el archivo robots.txt, normalmente accesible en la dirección /robots.txt, que indica la ubicación del sitemap mediante una directiva Sitemap.
Si robots.txt no menciona ningún sitemap, probar las rutas más habituales (/sitemap.xml, /sitemap_index.xml) da resultado en la mayoría de los casos. Los CMS como WordPress, Shopify o Wix generan automáticamente un sitemap en una ubicación estándar.
El análisis del sitemap de un competidor revela varios datos estructurales: el volumen de páginas publicadas, la distribución por tipos de contenido y la frecuencia de publicación (a través de las fechas lastmod, si están indicadas). Estos datos permiten evaluar el tamaño de un sitio sin acceder a sus herramientas de administración.
El sitemap sigue siendo un archivo declarativo. Muestra lo que el propietario del sitio quiere hacer visible para los motores de búsqueda, no necesariamente todas las páginas existentes. Las páginas excluidas del sitemap a veces revelan tanto como las que aparecen en él.
