Contenido duplicado: cómo comprobarlo y que el arreglo aguante

Para comprobar el contenido duplicado de un sitio, en la práctica necesitas un rastreo y un vistazo a Search Console: buscas la misma página accesible desde más de una URL. Los culpables habituales son los parámetros, las versiones http y https, www y sin www, la paginación, las vistas para imprimir y los dominios de staging que nunca se bloquearon.

Google no penaliza el contenido duplicado. De cada grupo de copias elige una URL, indexa esa y agrupa las demás bajo ella. Funciona bien hasta que elige la equivocada, por ejemplo una variante ?sort=price en lugar de la URL limpia de la categoría, o el subdominio de staging en lugar de producción.

En los sitios de clientes, la duplicación rara vez es un problema de redacción. Un CMS, una plataforma de tienda online, un sistema de filtros o una migración generaron varias direcciones para una misma página, y nadie les indicó a los buscadores cuál conservar.

Qué cuenta realmente como contenido duplicado

El problema que trata este artículo es técnico: un mismo contenido servido en varias URL. El texto de plantilla que se repite, una política de devoluciones estándar o unas descripciones de producto cortas que se parecen dentro de una gama son otra cosa, y rara vez causan problemas de indexación.

Cuando Google encuentra URL casi idénticas, las consolida. Una pasa a ser la canónica, las demás aparecen en Search Console como alternativas o duplicadas, y las señales de posicionamiento se fusionan. El coste es indirecto. Pierdes el control sobre qué URL aparece en los resultados, los enlaces que apuntan a distintas variantes se reparten y el tiempo de rastreo se va en copias en lugar de en páginas nuevas.

De dónde salen las copias en un sitio normal

Las variantes de URL son la fuente más básica. http://example.com/shoes, https://example.com/shoes, https://www.example.com/shoes y https://www.example.com/shoes/ pueden devolver la misma página con un 200 si las redirecciones no están configuradas de forma coherente. En muchos servidores también cuentan las mayúsculas, así que /Shoes y /shoes pueden ser dos URL distintas.

Los parámetros son la siguiente capa. Las UTM, los IDs de sesión y los valores ?sort= y ?page= en las páginas de categoría crean, cada uno, una dirección nueva. En e-commerce, el caso clásico es la navegación por facetas, donde cada combinación de filtros de color, talla y precio puede producir una URL indexable.

Luego están los hosts alternativos completos: un entorno de staging en staging.example.com que se quedó abierto, o un dominio antiguo que sigue sirviendo contenido después de un cambio de marca. Los artículos sindicados y las versiones para imprimir con URL propia completan la lista.

Cómo encontrar los duplicados

Empieza con un crawler como Screaming Frog o Sitebulb. Ordena por titles duplicados, meta descriptions duplicadas y páginas cuyo canonical apunta a una URL distinta de la suya. Con eso aflora casi toda la duplicación técnica en una sola pasada.

Después abre el informe Páginas, dentro de Indexación, en Google Search Console. Hay dos estados que te dicen qué decidió Google:

• "Duplicada: el usuario no ha indicado ninguna versión canónica" significa que Google encontró copias y eligió por ti, porque no declaraste ninguna preferencia.
• "Duplicada: Google ha elegido una versión canónica diferente a la del usuario" significa que declaraste una y Google la descartó, normalmente porque otras señales apuntaban en otra dirección.

En ese informe también aparece "Página alternativa con etiqueta canónica adecuada", pero ese estado suele ser correcto: indica que Google respetó tu canonical.

Para el contenido copiado en otros dominios, busca entre comillas una frase característica. Y si necesitas confirmar qué tiene Google para una dirección concreta, la Inspección de URLs muestra tanto el canonical declarado por el usuario como el que ha seleccionado Google. Explicamos esa herramienta en cómo comprobar si una página está indexada.

Cómo arreglarlo

Pon en cada página indexable un canonical autorreferencial, escrito como URL absoluta, con un único <link rel="canonical"> en el <head>. Cuando un duplicado no tiene ningún motivo para existir, como un dominio antiguo o la variante con o sin www que no es la preferida, usa una redirección 301 en lugar de un canonical.

Haz que las señales coincidan. El canonical, la entrada del sitemap, los enlaces internos y las anotaciones hreflang deben apuntar a la misma versión. Google trata el canonical como una sugerencia, y una sugerencia que contradicen el sitemap y todos los enlaces internos se ignora a menudo. Así es exactamente como se acaba en el segundo estado de Search Console que hemos visto arriba.

Reserva noindex para las páginas que deben seguir accesibles pero no posicionar, como los resultados del buscador interno o las combinaciones de filtros con poco contenido. No pongas en la misma página un noindex y un canonical que apunte a otra URL, porque son instrucciones contradictorias.

Por qué el arreglo no dura

El canonical es una línea en el head de la plantilla, y por eso una release puede romperlo sin que nadie lo vea. Un refactor lo elimina de una plantilla. Una actualización de plugin empieza a escribirlo como ruta relativa. Una sección acaba con dos etiquetas canonical porque tanto el tema como un plugin SEO añaden la suya. Una build de staging apunta todos los canonical al host de pruebas y se despliega tal cual. En los cuatro casos, la página se ve igual en el navegador.

Así que una auditoría de contenido duplicado es fiable, más o menos, hasta el siguiente deploy. La versión general de este problema la tratamos en la guía sobre monitorizar cambios de código en un sitio web.

Vigilar los canonical con Deltio

Deltio no compara el texto de las páginas, así que no te dirá que dos artículos se parecen en un 80%. Para eso sigues necesitando un crawler o una herramienta de similitud. Lo que vigila es el propio canonical. En un ciclo diario lee el canonical de las páginas del sitemap, lo compara con la comprobación anterior y envía una alerta por Slack o email cuando cambia. Titles, meta descriptions y H1 se revisan de la misma forma, y eso importa porque los titles duplicados suelen ser la primera señal visible de duplicación. También detecta los cambios en las URL del sitemap, de modo que un filtro que empieza a añadir direcciones al sitemap no pasa desapercibido. El artículo sobre el canonical tag checker explica cómo revisar una sola página a mano.

Como el ciclo es diario, un canonical roto se detecta al día siguiente y no en cuestión de minutos. Para este tipo de problema suele bastar para corregirlo antes de que Google vuelva a rastrear buena parte del sitio.