Uso correcto de la deduplicación de contenido y las etiquetas Canonical

Capítulo 4: Marketing de contenidos · Pregunta 63

Puede que no hayas "plagiado" a nadie, pero es muy probable que ya exista una gran cantidad de contenido duplicado en tu sitio web: el mismo artículo es accesible a través de distintas URL, el motor de búsqueda no sabe cuál indexar y, al final, el ranking de todas las versiones se diluye.Etiqueta Canonicales la herramienta clave para resolver este problema.

¿Qué es el contenido duplicado?

El contenido duplicado no implica necesariamente "plagio"; en la mayoría de los casos se debe a razones técnicas que hacen que un mismo contenido tenga varias URL:

Cómo gestiona Baidu el contenido duplicado

Baidu selecciona una de las múltiples URL duplicadas como "representante" para indexarla, y las demás versiones se filtran o se penalizan. Pero el criterio de Baidu no siempre es preciso: puede elegir la versión que tú no quieres. Usar activamente la etiqueta Canonical es decirle a Baidu: “toma esta URL como referencia.”

Nota: La documentación oficial de Baidu indica explícitamente que admite la etiqueta Canonical, pero su procesamiento puede no ser tan ágil como el de Google.

Sintaxis correcta de la etiqueta Canonical

En la sección <head> del HTML, añade:

<link rel="canonical" href="https://www.example.com/preferred-url" />

Reglas de uso

1. Debe colocarse en <head> Medio: si se coloca en <body> no tiene efecto
2. Usar URL absolutas：escribir la URL completa https://www.example.com/path, no usar rutas relativas
3. Solo puede haber unpor página: varios canonical tags hacen que todos se ignoren
4. Apuntar a páginas accesibles：no apuntar a 404 ni a páginas robots.txt bloqueadas

Importancia del Canonical autorreferencial

Aunque la página no tenga versiones duplicadas, se recomienda añadir un canonical tag que apunte a sí misma:

<!-- En la página https://www.example.com/blog/seo-tips -->
<link rel="canonical" href="https://www.example.com/blog/seo-tips" />

¿Por qué? Para evitar que en el futuro se añadan parámetros maliciosamente y se propaguen (como ?utm_source=xxx), y también para evitar que el search engine se confunda por los cambios en los parámetros de crawling.

Errores comunes

✗ Error uno: Canonical apunta a la página incorrecta

El canonical de la página de categoría A apunta a la página de categoría B, lo que provoca que A desaparezca por completo de los resultados de búsqueda.

✗ Error dos: uso abusivo en contenido paginado

Canonicalizar las páginas 2, 3 y 4 hacia la página 1: esto impide que el contenido de las páginas posteriores se indexe. La paginación debe usar rel="next/prev"(compatible con Baidu) o mantener cada página indexada de forma independiente.

✗ Error tres: conflicto entre Canonical y robots

La página está bloqueada para crawling en robots.txt, pero aun así tiene un canonical: el crawler no puede ver esta etiqueta.

✗ Error cuatro: uso incorrecto de Canonical entre dominios

Canonicalizar una página de tu propio sitio hacia el sitio de otro equivale a "renunciar" a todo el peso de ranking de esa página.

Redirección 301 vs Canonical: ¿cómo elegir?

Principio simple: Si el usuario no necesita acceder a la URL antigua, use 301; si ambas URL deben existir (por ejemplo, parámetros de filtro), use Canonical.

Cómo auditar el contenido duplicado de un sitio web

1. Búsqueda de BaiduDetección con comillas: busque site:yoursite.com + frase clave del título del artículo, y compruebe si hay varios resultados
2. Usar herramientas de crawling: Screaming Frog, 5118 y otras herramientas permiten detectar por lotes títulos duplicados y páginas con contenido duplicado
3. Baidu Search Resource Platform: consulta la diferencia entre el "índice de indexación" y el número real de páginas; una gran diferencia indica que muchas páginas no están indexadas (posiblemente por duplicación)
4. Análisis de registros del servidor: observa si el rastreador de Baidu desperdicia cuota de rastreo en URL duplicadas

Recomendaciones prácticas

• Implementar Canonical autorreferenciado en todo el sitio: esta es la operación SEO básica de menor coste y beneficio más seguro; basta con que el equipo de desarrollo la añada de forma uniforme a nivel de plantilla
• Priorizar la duplicación por parámetros: en la función "configuración de parámetros" de Baidu Search Resource Platform, marca los parámetros sin sentido (como session ID o códigos de seguimiento) e indica a Baidu que los ignore
• Realizar una auditoría mensual de contenido duplicado: escanea todo el sitio con herramientas de rastreo, céntrate en los pares de páginas con similitud superior al 80% y decide si fusionar, añadir Canonical o reescribir con diferenciación

Resuélvelo con herramientas de IA: auditoría de contenido duplicado y configuración de Canonical

Muchos de los pasos anteriores ahora pueden ahorrarte la mayor parte del trabajo manual con herramientas de IA, especialmente las tareas de "análisis" y "generación". A continuación se presentan combinaciones de herramientas listas para usar y prompts que puedes copiar directamente según el escenario.

Escenario uno: detección masiva de contenido duplicado

La combinación que menos esfuerzo requiere:Herramienta de crawling (Screaming Frog / 5118) para exportar datos + análisis con IA general (ChatGPT / Claude / Kimi / 豆包)。

Procedimiento: usar una herramienta de crawling para rastrear todo el sitio y exportar un CSV que contenga URL / Title / número de palabras / descripción (el de Screaming Frog View > All URLs o Export > CSV), pegar el contenido del CSV en la IA y luego copiar este prompt:

He subido un informe de rastreo del sitio web con campos que incluyen URL, título y número de palabras. Ayúdame a identificar pares de páginas con posible contenido duplicado. Criterios: similitud de títulos superior al 90%, o número de palabras similar con estructura de URL parecida. Para cada grupo, da una recomendación: fusionar en una sola página / añadir canonical / reescribir diferenciando, y explica el motivo.

La IA generará una lista con recomendaciones según tus criterios; solo tienes que revisar manualmente los pares de páginas que ha filtrado, en lugar de escanear tú mismo cientos de filas de datos.

Escenario 2: generar el código canonical

Si no sabes cómo escribir canonical en tu framework, pregúntale directamente a la IA:

Mi sitio web está hecho con [Hugo / WordPress / PHP propio] y el archivo de plantilla está en [ruta]. Genera el código para que "cada página del sitio emita automáticamente una etiqueta canonical autorreferenciada", con estos requisitos: usar la URL absoluta de la página actual, colocarla en y emitirla solo en páginas que no sean 404.

La IA general conoce bien cómo se escribe canonical en los principales frameworks de creación de sitios web; el código generado suele poder usarse directamente. No olvides que un compañero de desarrollo le eche un vistazo antes de publicarlo.

Escenario 3: ordenar los parámetros de URL y decidir cuáles ignorar

Pasa a la IA la lista de URL exportada desde los registros del servidor o del panel de estadísticas:

Esta es una lista de URL del sitio que contiene muchas URL con parámetros (como ?color=red, ?ref=banner, ?session_id=xxx). Ayúdame a clasificarlas: qué parámetros afectan el contenido de la página (deben conservar un índice independiente) y cuáles son parámetros de seguimiento/sesión (se pueden ignorar con canonical o con la configuración de parámetros), y proporciona una lista de expresiones regulares.

Escenario 4: Generar una tabla de mapeo 301 durante el rediseño / migración del sitio web

Mi sitio antiguo tiene 2000 URL que están a punto de migrarse al nuevo sitio. La lista de URL del sitio antiguo es la siguiente (las primeras 50 antes de pegar), y la regla de URL del nuevo sitio es: [regla]. Basándote en el principio de "semántica más cercana", genera la nueva URL correspondiente para cada URL antigua, en formato CSV de URLantigua,URLnueva, y proporciona un ejemplo de configuración de nginx en forma de reglas de reescritura 301.

Escenario 5: Reescritura diferenciada de contenido duplicado

Cuando te encuentres con dos páginas de alta similitud pero ambas con valor de existir, pide a la IA que reescriba una de ellas desde un ángulo diferente:

Los dos fragmentos de contenido siguientes tienen una similitud elevada. Reescribe el segundo fragmento desde el ángulo de "pasos prácticos", mantén el primer fragmento desde el ángulo de "explicación conceptual", conserva la información central pero las oraciones, la estructura y los casos deben ser diferentes. Tras la reescritura, autoverifica: ¿siguen existiendo en ambos fragmentos más de un 80% de oraciones repetidas de forma continua? (pega ambos fragmentos)

Nota: los límites de la IA

• La IA puede analizar y generar, pero no puede ejecutar por ti: la etiqueta canonical para estar realmente en línea aún requiere modificar el servidor/plantilla; el 301 requiere tocar nginx, y debe operarlo alguien con permisos de servidor
• El juicio de la IA necesita revisión: los "pares de páginas duplicadas" que enumera pueden tener falsos positivos (por ejemplo, páginas de paginación mal identificadas); la revisión manual es obligatoria
• No dejes que la IA invente directamente el destino del 301: la relación de mapeo depende de tu comprensión del negocio; la IA solo puede adivinar por "semántica similar"; el mapeo de páginas importantes debes confirmarlo tú mismo
• No pegues el HTML de todo el sitio a una IA gratuita: hay límite de contenido por pegado; basta con alimentar por pares de páginas; para datos sensibles usa herramientas conformes del país