mapa del sitio

Qué es

Un mapa del sitio es un archivo que un sitio web publica sobre sí
mismo: las direcciones que su propietario quiere dar a conocer a los
buscadores, con una entrada por página y algunos datos opcionales en
cada una. Existe porque, de lo contrario, un rastreador descubre un
sitio por la vía lenta, siguiendo enlaces desde páginas que ya
conoce, y algunas páginas están al final de una larga cadena de
enlaces o apenas reciben enlaces entrantes.

El formato que comparten los grandes buscadores es el protocolo
Sitemaps, publicado en sitemaps.org. Su versión XML envuelve la
lista en un elemento `<urlset>` con un `<url>` por página. Dentro,
`<loc>` contiene la dirección completa y es el único elemento hijo
obligatorio. `<lastmod>` es la fecha del último cambio de la página,
`<changefreq>` una estimación de la frecuencia con la que cambiará,
y `<priority>` un valor de 0,0 a 1,0 que ordena la página frente a
las demás páginas del propio sitio, nunca frente a las de otros. El
protocolo también acepta un archivo de texto sin formato con una
dirección por línea, o un canal RSS o Atom.

El protocolo establece límites estrictos. Un archivo contiene como
máximo

50.000 direcciones y 50 MB sin comprimir, puede comprimirse con gzip
y debe estar en UTF-8 con los caracteres de sus valores escapados
mediante entidades; cada dirección debe tener menos de 2.048
caracteres. Un sitio más grande divide su lista y publica un índice
de mapas del sitio, un segundo tipo de archivo que identifica hasta
50.000 mapas del mismo sitio. Además, un mapa solo puede incluir
direcciones en su propia ubicación o por debajo de ella: un archivo
en `/catalog/sitemap.xml` abarca las páginas de `/catalog/` y se
detiene en el límite de esa carpeta.

Un buscador descubre dónde está el archivo de dos maneras. Una línea
`Sitemap:` en robots.txt indica su dirección completa, con
independencia de cualquier grupo de agentes de usuario, o el
propietario lo envía mediante las herramientas del propio buscador,
como Google Search Console.

La misma expresión también designa una página de enlaces para
visitantes; cuando importa distinguirlos, se habla de «mapa del
sitio XML» para el archivo destinado a programas.

Por qué importa

La documentación de Google es clara sobre los límites. Un sitio
cuyas páginas están bien enlazadas normalmente se puede descubrir
sin un mapa del sitio, y Google sitúa el límite de un sitio
«pequeño» en unas 500 páginas que deban aparecer en los resultados.
También dice que un mapa del sitio «no garantiza que se rastreen e
indexen todos los elementos de su mapa del sitio» y que enviarlo «es
solo una sugerencia». Donde más ayuda es en sitios grandes, sitios
nuevos con pocos enlaces desde otros sitios y sitios con mucho
vídeo, imágenes o noticias.

Casi todos los generadores de sitios crean uno sin coste, así que la
verdadera decisión es qué afirma el archivo, y cada entrada es una
declaración que un buscador puede contrastar con la propia página.

¿Qué direcciones se incluyen? Google pide la dirección canónica de
cada página. Una lista engrosada con redirecciones, duplicados o
páginas marcadas con `noindex` pide exactamente aquello que el resto
del sitio indica que se deje de lado.

¿Qué campos? Google dice que ignora `<priority>` y `<changefreq>`.
Solo utiliza `<lastmod>` «si es exacto de forma constante y
verificable (por ejemplo, comparándolo con la última modificación de
la página)», y el protocolo dice que la fecha «debe establecerse en
la fecha en que se modificó por última vez la página enlazada, no
cuando se genera el mapa del sitio». Google considera significativos
los cambios en el contenido principal, los datos estructurados o los
enlaces de una página, y trivial un nuevo año de copyright.

Ahí está el coste. Una fecha del sistema de archivos es gratuita y
normalmente incorrecta, porque los despliegues, las exportaciones y
las nuevas copias del repositorio modifican archivos cuyas palabras
no han cambiado. Una fecha del historial de versiones es fiel, pero
la compilación necesita disponer de ese historial y leerlo en el
orden correcto. Una fecha introducida a mano es precisa hasta que
alguien olvida cambiarla.

Cómo se aplica en la práctica

El robots.txt de este sitio indica una dirección,
`https://engineer.company/sitemap.xml`, y ese archivo es un índice
que enumera los mapas del sitio de las ediciones lingüísticas
publicadas. Cada entrada de página incluye la dirección y una fecha,
además de enlaces a la misma página en sus otras traducciones
publicadas. Se omiten `<priority>` y `<changefreq>`, porque Google
afirma que ignora ambos y el protocolo no exige ninguno. Cuando se
escribió este artículo, la entrada de la página sobre preparación
para la IA tenía este aspecto, dejando aparte sus enlaces a otras
lenguas:

```xml
<url>
  <loc>https://engineer.company/ai-ready/</loc>
  <lastmod>2026-10-15T14:25:16+02:00</lastmod>
</url>
```

La selección de la lista es deliberada. Los sitios satélite
especializados de la empresa vuelven a publicar trabajos de aquí con
una dirección canónica que apunta al original, y la misma plantilla
excluye esas copias del mapa de cada satélite: una entrada pide a un
buscador que indexe esa dirección exacta, y pedir que indexe una
copia mientras se identifica otra página como original sería
contradictorio. Cada host anuncia solo sus propias páginas.

Las fechas tienen su propia historia. En un momento dado, el mapa
del sitio decía a los buscadores que 172 de sus 176 páginas habían
cambiado en el mismo instante. La causa era habitual: la fecha
procedía de la hora de modificación de cada archivo, y la
exportación de contenido reescribe todos los archivos en cada
ejecución. La corrección trasladó el origen al historial de
versiones, con una cadena de alternativas que prueba primero un
campo explícito, después el historial de commits y, por último, el
archivo. Encerraba una trampa que conviene conocer: el nombre
literal del campo tiene que figurar en esa lista, o el generador
nunca lo lee. Después, una nueva sincronización tras un mes de
cambios modificó ocho archivos de 186 en lugar de todos ellos, y el
mapa del sitio dice algo cierto.

Esa fecha ahora cumple una función más allá del mapa del sitio. Como
explica la página sobre cómo facilitar que los agentes de IA
encuentren el sitio, cada despliegue anuncia lo que ha cambiado
mediante IndexNow, un protocolo en el que participan Bing y varios
buscadores más. El script de despliegue decide qué ha cambiado
comparando el `lastmod` de cada página con el que envió por última
vez, de modo que un despliegue que modifica una página anuncia una
página. Google no figura en la lista de buscadores participantes de
IndexNow, por lo que descubre el cambio cuando vuelve a leer el mapa
del sitio. Una comprobación de la compilación vela por la exactitud
de las fechas: contrasta cada fecha del mapa con el historial de la
página e impide publicar si alguna es incorrecta. Para las personas,
en lugar de los programas, también hay un índice legible de todas
las páginas.

Dónde surgen los problemas

Todas las páginas afirman haber cambiado hoy. El mapa del sitio
utiliza una sola fecha, o una por despliegue, para cientos de
páginas, y un buscador que lo lea no aprende nada sobre qué trabajo
es nuevo. La causa es una fecha tomada del sistema de archivos o del
reloj de la compilación. Google solo utiliza `<lastmod>` cuando su
exactitud es constante y verificable, algo que una marca de tiempo
compartida evidentemente no es. Tome la fecha del historial del
propio contenido y contraste una muestra de entradas con él después
de cualquier cambio en la compilación.

La lista pide páginas que el sitio quiere excluir. Redirecciones,
direcciones duplicadas con parámetros de seguimiento, páginas
marcadas con `noindex`, hosts de pruebas y copias cuya dirección
canónica apunta a otro lugar aparecen en mapas escritos por un
generador que enumera todos los archivos que ha compilado. Cada una
envía a un rastreador a una dirección que la propia página
desautoriza después. Incluya solo la dirección canónica de cada
página destinada a los resultados y haga que el mapa del sitio y la
etiqueta canónica respondan a una misma regla, como hacen las
plantillas de este sitio.

Las entradas quedan fuera del ámbito que puede abarcar el archivo.
Un mapa en `/blog/sitemap.xml` incluye páginas de la tienda o
escribe rutas relativas como `/page.html`. El protocolo limita un
archivo a las direcciones situadas en su propia carpeta o por debajo
de ella, y Google rastrea las direcciones tal como están escritas.
Publique el mapa en la raíz, escriba cada `<loc>` como una dirección
`https://` completa en el mismo host y pase a un índice de mapas
antes de que la lista se acerque a las 50.000 entradas o los 50 MB.

Las páginas llevan meses en la lista y siguen fuera del índice. El
propietario interpreta el mapa del sitio como una instrucción y
espera. Google lo llama una sugerencia: una dirección incluida puede
omitirse o agruparse con un duplicado por motivos ajenos al archivo.
Examine la página en lugar de la lista: si otras páginas la enlazan,
si su dirección canónica apunta a sí misma y si robots.txt o una
regla `noindex` mantiene alejado a un rastreador.

Lecturas adicionales

  * Formato XML de Sitemaps — el propio protocolo: todas las
etiquetas, los límites de tamaño, los archivos de índice y las
direcciones que puede incluir un archivo.

  * Crear y enviar un mapa del sitio — las reglas de Google,
incluidas las etiquetas que ignora y cuándo confía en una fecha.

  * Información sobre los mapas del sitio — cuándo Google considera
necesario un mapa del sitio y cuándo basta con buenos enlaces.

  * Documentación de IndexNow — el protocolo que comunica los
cambios a los buscadores participantes el mismo día en que se
publican.

  * RFC 9309: protocolo de exclusión de robots — el estándar de
robots.txt, que permite a un rastreador leer una línea `Sitemap:`
junto a sus reglas.

hEsta página en la web	URL:https://engineer.company/es/glossary/sitemap/	engineer.company	70
