SEO técnico: checklist de rastreo, indexación, canonical y sitemap

Hace unos meses revisamos la web de una inmobiliaria que había publicado más de doscientas fichas de propiedades nuevas y no recibía visitas desde Google en ninguna. El diseño era bueno y los textos también. El problema estaba en una línea: la plantilla de las fichas heredaba una etiqueta noindex que alguien había puesto mientras la web estaba en pruebas. Durante meses, cada propiedad nueva le decía a Google, educadamente, «no me guardes».

El SEO técnico tiene esa naturaleza: no se ve, rara vez da la cara y, cuando algo falla, el efecto es enorme. La buena noticia es que se puede revisar con método. No hace falta ser programador para entender qué tiene que estar bien; hace falta una lista ordenada y saber dónde mirar.

Esta guía es esa lista. Va de lo más básico, que Google pueda entrar, a lo más fino, que elija la URL correcta de cada contenido. Cada punto lleva su criterio y la forma de comprobarlo. Para la parte de contenido y textos, la complementa nuestra guía de copy SEO, centrada en escribir para Google y para personas a la vez.

01Cómo lee Google una web: rastrear, renderizar, indexar

Para que una página aparezca en los resultados pasa por tres fases, y cada punto de la checklist protege una de ellas:

1. 01Rastreo. Googlebot, el programa de Google que recorre la web, descubre la URL (por un enlace o por el sitemap) y la descarga. Desde 2024 lo hace prácticamente siempre en su versión para smartphone: Google indexa la versión móvil de tu web.
2. 02Renderizado. Si la página necesita JavaScript para mostrar su contenido, Google la ejecuta en un navegador Chromium actualizado, a veces con cierto retraso respecto al rastreo.
3. 03Indexación. Google analiza el contenido, agrupa las URLs que considera duplicadas, elige una como canónica y decide si la guarda en su índice. Solo las páginas indexadas pueden posicionar.

Cuando algo va mal, la pregunta útil es siempre la misma: ¿en qué fase se ha quedado la página? La herramienta de inspección de URLs de Search Console te lo dice para cualquier dirección concreta.

02Rastreo: que Google pueda entrar y moverse

robots.txt: la puerta, no la cerradura

El archivo robots.txt, en la raíz del dominio, indica a los rastreadores qué zonas pueden visitar. Su función es administrar el rastreo, no esconder contenido. Un robots.txt sano para una web corporativa es muy corto:

User-agent: *
Disallow: /admin/
Disallow: /carrito/
Disallow: /*?orden=
Sitemap: https://tudominio.es/sitemap.xml

Lo que funciona:

• →Bloquear solo zonas sin valor para el buscador: administración, carrito, resultados de búsqueda interna, filtros que multiplican URLs.
• →Dejar siempre accesibles CSS, JavaScript e imágenes, porque Google los necesita para renderizar la página.
• →Declarar la URL del sitemap al final.
• →Comprobar después de cada lanzamiento que no se ha quedado un Disallow: / del entorno de pruebas. Es el clásico de los estrenos.

Códigos de estado HTTP coherentes

Cada respuesta del servidor lleva un código que Google interpreta literalmente:

Un caso a vigilar es el llamado soft 404: una página que devuelve 200 pero muestra «no encontrado» o está prácticamente vacía. Google la detecta y la marca así en Search Console. Lo correcto es que las páginas inexistentes devuelvan un 404 real (y, de paso, que esa página 404 esté diseñada para ayudar a seguir navegando).

Enlaces internos que un robot pueda seguir

Google descubre la mayoría de las páginas siguiendo enlaces. Para que los vea, deben ser enlaces de verdad: un elemento <a> con un atributo href que contenga una URL. Un botón que navega con JavaScript al hacer clic funciona para las personas, pero no le dice nada al rastreador.

Dos criterios que aplicamos en el estudio: toda página importante debe estar a tres clics o menos de la portada, y ninguna página indexable debe quedar huérfana, sin enlaces que lleguen a ella. Una buena arquitectura de la información resuelve las dos cosas de forma natural.

03Indexación: decidir qué páginas merecen estar

Indexarlo todo no es el objetivo. Una web con cuarenta páginas útiles indexadas transmite más calidad que una con cuarenta útiles y trescientas vacías: etiquetas de blog con un artículo, páginas de autor duplicadas, resultados de filtros, adjuntos de imágenes convertidos en páginas.

La herramienta para decir «esta no» es la etiqueta meta robots en el <head>, o su equivalente en cabecera HTTP para archivos como PDF:

<meta name="robots" content="noindex, follow">

Con noindex, follow le pides a Google que no guarde la página pero que siga sus enlaces. Recuerda que, para que Google lea el noindex, la página no puede estar bloqueada en robots.txt: si no puede entrar, no puede leer la instrucción.

Candidatas habituales a noindex: páginas de agradecimiento tras un formulario, áreas privadas, búsquedas internas, archivos por fecha o por etiqueta con poco contenido, versiones de impresión y páginas legales muy breves que no aportan a la búsqueda (aunque estas últimas pueden quedarse indexadas sin problema).

04Canonical: una sola URL para cada contenido

Un mismo contenido suele ser accesible desde varias direcciones: con y sin www, con y sin barra final, con parámetros de campaña (?utm_source=…), con filtros de orden. Para Google son URLs distintas con contenido igual, y tiene que elegir una. La etiqueta canonical le dice cuál prefieres:

<link rel="canonical" href="https://tudominio.es/servicios/diseno-web">

Reglas que funcionan:

• →Autorreferencia. Cada página indexable lleva un canonical que apunta a sí misma, en URL absoluta y con HTTPS.
• →Coherencia de señales. El canonical, las redirecciones, el sitemap y los enlaces internos deben apuntar a la misma versión. Si el menú enlaza a /servicios/ con barra y el canonical dice sin barra, estás enviando mensajes cruzados.
• →Una sola etiqueta por página, en el <head>. Si un plugin y la plantilla añaden cada uno la suya, Google puede ignorar ambas.
• →No mezclar canonical y noindex en la misma página: una dice «indexa aquella» y la otra «no indexes nada». Elige una intención.
• →Paginación: cada página de un listado (/blog/page/2) lleva su propio canonical, no el de la primera. Google dejó de usar rel="next" y rel="prev" en 2019, así que lo que cuenta son enlaces claros entre páginas.

En webs con varios idiomas, el canonical convive con las etiquetas hreflang. Lo explicamos en la guía de internacionalización técnica y hreflang.

Clave: el canonical es una sugerencia. Google la respeta cuando el resto de la web dice lo mismo. La coherencia entre señales vale más que cualquier etiqueta aislada.

05Un sitemap XML que ayuda de verdad

El sitemap es un archivo que lista las URLs que quieres que Google conozca. No garantiza la indexación, pero acelera el descubrimiento y te da un informe claro en Search Console.

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
  <url>
    <loc>https://tudominio.es/servicios/diseno-web</loc>
    <lastmod>2026-05-10</lastmod>
  </url>
</urlset>

Lo que distingue un sitemap útil:

• →Solo URLs canónicas, indexables y con código 200. Nada de redirecciones, páginas con noindex ni 404. El sitemap es tu lista de «estas sí».
• →`lastmod` real. Google lo usa si es fiable, es decir, si cambia solo cuando cambia el contenido. Las etiquetas priority y changefreq las ignora.
• →Límites: 50.000 URLs o 50 MB sin comprimir por archivo. Por encima, se divide y se agrupa en un índice de sitemaps.
• →Generación automática. Que el CMS o el framework lo actualice al publicar. En Next.js, por ejemplo, se genera desde el propio código del proyecto.
• →Declarado en robots.txt y enviado en Search Console. Para Bing, el protocolo IndexNow permite además avisar al instante de cada cambio.

06JavaScript y renderizado sin sorpresas

Google ejecuta JavaScript, pero renderizar cuesta recursos y puede ocurrir más tarde que el rastreo. Además, otros buscadores y muchos rastreadores de herramientas de IA leen solo el HTML inicial. Por eso, lo que funciona es que el contenido principal, los títulos, los enlaces y las etiquetas <title>, meta description y canonical lleguen ya en el HTML que envía el servidor.

Los frameworks modernos lo resuelven con renderizado en servidor o generación estática; en SSR, SSG, ISR y renderizado en cliente explicamos cada opción. Para comprobarlo en tu web:

1. 01Abre la página, pulsa Ctrl+U (ver código fuente) y busca un párrafo del contenido principal. Si aparece, está en el HTML inicial.
2. 02En Search Console, inspecciona la URL y pulsa «Probar URL publicada». En «Ver página probada» verás el HTML renderizado y una captura.
3. 03Revisa que los recursos JavaScript y CSS no estén bloqueados y que no haya errores en la consola.

07La checklist completa de SEO técnico

Esta es la lista que pasamos antes de cada lanzamiento y en las auditorías periódicas. Para recorrerla con soltura, un rastreador como Screaming Frog o Sitebulb y Search Console son suficientes.

Para los dos últimos bloques tienes guías específicas: optimizar LCP, INP y CLS y datos estructurados con schema.org.

08Search Console como cuadro de mandos

Una vez lanzada la web, el informe Indexación de páginas de Search Console es el mejor termómetro. Muestra cuántas URLs están indexadas y agrupa las que no, con el motivo. Los más habituales y lo que suelen significar:

• →Excluida por la etiqueta «noindex». Correcto si lo decidiste; revisa la lista por si se ha colado alguna página importante.
• →Página alternativa con etiqueta canónica adecuada. Todo en orden: Google ha respetado tu canonical.
• →Duplicada: Google ha elegido una versión canónica diferente a la del usuario. Las señales se contradicen; revisa enlaces internos y sitemap.
• →Descubierta: actualmente sin indexar. Google conoce la URL pero aún no la ha rastreado. En webs nuevas es normal; si persiste, refuerza los enlaces internos.
• →Rastreada: actualmente sin indexar. Google la vio y no la consideró suficientemente valiosa. Es una invitación a mejorar ese contenido.
• →Soft 404 y No se ha encontrado (404). Revisa si son páginas que deberían existir o enlaces que hay que corregir.

En nuestros proyectos solemos revisar este informe una vez al mes y, tras cada lanzamiento, a diario durante las primeras semanas. Si la web viene de un rediseño, cruza además la lista de URLs antiguas con las redirecciones, una tarea que forma parte de cualquier rediseño bien planificado.

El SEO técnico es la base silenciosa sobre la que trabajan el contenido, el diseño y la marca. Cuando está bien resuelto, cada página nueva que publicas encuentra su sitio sin esfuerzo. En SIMA lo construimos dentro del propio desarrollo web y lo vigilamos después, para que la web crezca con buena salud. Si quieres que pasemos esta checklist por tu web, escríbenos y te contamos qué encontramos.