A menudo encontramos un sitio web cuyas secciones nos gustaría explorar, pero cuya navegación solo muestra una parte del contenido. El mapa del sitio, o sitemap, es el archivo que enumera las URL que ofrece un sitio web. Saber dónde encontrarlo y cómo leerlo permite acceder a páginas que ni el menú ni la búsqueda interna destacan.
Acceder al archivo sitemap XML de un sitio web
El método más directo consiste en escribir la dirección del sitio seguida de /sitemap.xml en la barra del navegador. En la mayoría de los sitios creados con un CMS como WordPress, Shopify o Joomla, esta URL lleva a un archivo XML que enumera las páginas publicadas.
Si esta dirección devuelve un error 404, se pueden probar algunas variantes: /sitemap_index.xml, /sitemap1.xml o /sitemap/. El nombre del archivo no está normalizado: cada CMS o plugin utiliza su propia convención.
Otra opción fiable es abrir el archivo robots.txt del sitio (accesible mediante /robots.txt). Este archivo suele incluir una línea “Sitemap:” que indica la ubicación exacta del mapa del sitio. De hecho, este es el método recomendado por Google desde que abandonó el antiguo sistema de notificación mediante ping en 2023. Por ejemplo, al consultar el mapa del sitio de Double Portion, podemos ver cómo es un sitemap bien estructurado en un sitio real.
Índice de sitemap y archivos secundarios: cómo leer un mapa del sitio voluminoso
En los sitios grandes, el primer archivo que encontramos no contiene la lista completa de URL. Se trata de un índice de sitemap, un archivo que enlaza con varios sitemaps secundarios. Cada archivo secundario agrupa un conjunto de URL, a menudo organizado por tipo de contenido (artículos, productos, categorías).
Google establece un límite por archivo: no más de 50 000 URL y no más de 50 MB sin comprimir. Si se supera ese límite, el sitio debe dividir el mapa en varios archivos enlazados mediante este índice. Por tanto, para explorar realmente todas las páginas, hay que abrir cada archivo secundario y no quedarse solo en el primer nivel.
En la práctica, basta con hacer clic en cada enlace del índice de sitemap en el navegador. El archivo XML se muestra con las etiquetas loc (la URL de la página) y, a veces, lastmod (la fecha de la última modificación). En un sitio de comercio electrónico con miles de fichas de producto, consultar los archivos uno por uno es la única forma de obtener una visión completa.
¿Es fiable la etiqueta lastmod para detectar actualizaciones?
Google aclara que solo tiene en cuenta esta fecha cuando refleja cambios reales en el contenido. Muchos CMS actualizan la fecha cada vez que regeneran el archivo, aunque la página no haya cambiado. Una fecha lastmod reciente no garantiza que el contenido se haya modificado. Por tanto, no se puede confiar en ella para identificar las páginas actualizadas sin comprobarlas manualmente.
Tres casos en los que el sitemap no lo muestra todo
El mapa del sitio sigue siendo un inventario declarativo. Solo enumera lo que incluye el generador. Hay varias situaciones que provocan discrepancias entre el contenido real del sitio y lo que muestra el sitemap.
- Las páginas huérfanas (sin enlaces internos) suelen estar ausentes del sitemap, sobre todo si se genera automáticamente a partir de la estructura de navegación del sitio
- Las páginas excluidas mediante una regla de robots.txt o una etiqueta noindex pueden desaparecer del archivo, aunque sigan siendo técnicamente accesibles a través de su URL directa
- El contenido generado dinámicamente (resultados de filtros, páginas de búsqueda interna) casi nunca aparece en un sitemap, ya que generaría miles de URL redundantes
Para cubrir estas lagunas, se puede complementar la consulta del sitemap con un rastreo del sitio mediante una herramienta como Screaming Frog o Xenu. Estos programas siguen todos los enlaces internos y revelan las páginas que el sitemap omite.
Usar Google Search Console y robots.txt para contrastar los datos
Si gestionamos nuestro propio sitio, Google Search Console proporciona la lista de páginas indexadas y señala las que presentan problemas. La sección “Sitemaps” permite enviar el archivo y comprobar cuántas URL se han descubierto y cuántas se han indexado realmente.
La diferencia entre ambas cifras es reveladora. Un sitemap puede declarar varios cientos de páginas, mientras que Google solo indexa una parte. Las causas varían: contenido demasiado escaso, páginas duplicadas, errores de redirección o, simplemente, un presupuesto de rastreo insuficiente para un sitio voluminoso.
Contrastar el sitemap y robots.txt para detectar incoherencias
El archivo robots.txt puede bloquear el acceso a directorios enteros y, al mismo tiempo, mantener sus URL en el sitemap. Este conflicto impide que los motores de búsqueda procesen esas páginas. Comprobar la coherencia entre ambos archivos permite eliminar estas contradicciones.
En la práctica, abrimos robots.txt, localizamos las líneas “Disallow” y las comparamos con las URL incluidas en el sitemap. Si una URL aparece en ambos, hay una anomalía que corregir: o bien se elimina la página del sitemap, o bien se suprime la regla de bloqueo.
Leer un sitemap sin conocimientos técnicos
El formato XML mostrado sin procesar en el navegador puede resultar poco atractivo. Algunos navegadores, como Chrome, muestran las etiquetas sin formato, lo que dificulta la lectura de archivos de varios miles de líneas.
Algunas soluciones sencillas facilitan la lectura:
- Copiar la URL del sitemap en una herramienta online de visualización XML, que organiza los datos en una tabla con columnas ordenables
- Utilizar una extensión de navegador específica para archivos XML, que colorea y aplica sangría al contenido automáticamente
- Abrir el archivo en una hoja de cálculo importando el XML, lo que permite filtrar y ordenar las URL por fecha o por sección del sitio
El mapa del sitio sigue siendo el punto de partida más rápido para cartografiar un sitio web, siempre que no se confunda con un inventario completo. Contrastar este archivo con robots.txt, un rastreo técnico o Search Console ofrece una imagen mucho más fiel del contenido real de un sitio.
