URL canonique

Ce que c'est

Une page accessible à plusieurs adresses peut en désigner une comme
son original. L'adresse choisie est son URL canonique : la copie
qu'elle demande aux moteurs de recherche et aux autres consommateurs
d'indexer, d'afficher et de créditer. Le nom vient du balisage qui
la porte, un élément `link` avec `rel="canonical"`. On parle donc
aussi de lien canonique, de balise canonique ou simplement de
rel=canonical.

```html
<link rel="canonical" href="https://example.com/guide/" />
```

Les doublons apparaissent plus souvent qu'on ne l'avait prévu. Un
article peut être accessible avec ou sans `www`, en `http` et en
`https`, avec un paramètre de suivi à la fin, trié différemment, en
vue d'impression ou republié sur un second hôte. La RFC 6596,
publiée en 2012, a enregistré cette relation et fixé sa seule règle
impérative : la cible doit désigner un contenu qui est soit un
doublon de la page référente, soit un sur-ensemble de son contenu.
Dans cette limite, la cible peut être la page elle-même, se trouver
sur un autre nom d'hôte ou utiliser un autre schéma. La norme HTML
la décrit ainsi : « URL préférée pour le document courant »
(traduction). Un fichier sans en-tête HTML, comme un PDF, peut
envoyer la même déclaration sous forme d'en-tête HTTP `Link` avec
`rel="canonical"`.

Une URL canonique est une indication plutôt qu'un ordre. La RFC
permet aux applications d'ignorer une désignation incorrecte. La
documentation Google classe les redirections et rel=canonical parmi
les signaux forts, et l'inclusion dans un sitemap parmi les signaux
faibles. Lorsqu'une page ne déclare rien, le moteur de recherche
choisit lui-même une copie.

Elle côtoie trois outils avec lesquels on la confond facilement. Une
redirection permanente supprime le doublon pour les personnes autant
que pour les machines. C'est donc le choix le plus fort chaque fois
que l'adresse supplémentaire n'a aucune raison de rester accessible.
Une directive `noindex` exclut entièrement une page de l'index,
résultat différent de son regroupement avec une autre page. Enfin,
`hreflang` relie des pages qui sont des traductions les unes des
autres : les traductions sont des équivalents, et aucune n'est un
doublon d'une autre.

Pourquoi c'est important

L'URL canonique détermine quelle adresse devient celle qui est
indexée. Le seul véritable choix consiste à le décider délibérément
ou à laisser quelqu'un d'autre le faire. Les moteurs de recherche ne
pénalisent pas tant les textes dupliqués qu'ils ne les regroupent :
ils gardent une copie et y rattachent les autres. La copie conservée
est celle que les personnes voient dans les résultats, à laquelle
sont attribués les liens vers chaque variante et à laquelle un robot
d'exploration revient. Si on laisse le moteur décider, il peut
retenir la version avec un paramètre de campagne, l'hôte de
préproduction exposé par inadvertance ou la copie republiée par un
partenaire plutôt que l'original.

Choisir entre redirection et URL canonique est surtout une question
de personnes. Si personne n'a besoin de la seconde adresse,
redirigez-la de manière permanente : le problème disparaît d'un coup
pour tous les clients. La RFC 6596 demande elle-même aux auteurs
d'écarter la possibilité d'une redirection permanente avant
d'utiliser le lien. Si la copie doit rester accessible parce qu'un
lien de campagne y mène, qu'une mise en page d'impression y réside
ou qu'un second site porte l'article pour son propre public, l'URL
canonique est l'outil adapté : elle règle la question pour les index
sans déranger les lecteurs.

Le coût tient à la cohérence plutôt qu'à la balise. Une ligne dans
l'en-tête coûte peu. Tous les autres emplacements qui indiquent
l'adresse de la page doivent donner la même adresse : l'`og:url` des
aperçus de liens, les identifiants des données structurées, le
sitemap et les liens internes du site. Si deux d'entre eux désignent
une adresse et un troisième une autre, la page fait deux
déclarations sur elle-même, et un consommateur peut croire l'une ou
l'autre. L'URL canonique décide de l'adresse à laquelle sera
rattachée toute autorité acquise par le contenu.

À quoi cela ressemble en pratique

Ce site constitue un cas exigeant. Les pages sont publiées sous
plusieurs formes à partir d'une même arborescence de contenu. Cette
arborescence sert aussi à générer les sous-domaines spécialisés.

Les modèles règlent les doublons par une règle unique : une page
n'est son propre original que si elle a été écrite pour l'adresse
depuis laquelle elle est servie. Sur le site principal, cela couvre
tout : chaque page se désigne donc elle-même. Un sous-domaine
spécialisé n'a écrit que sa page d'accueil. Celle-ci se désigne
elle-même, tandis que les réalisations en miroir, les pages
partagées et chaque liste construite par le générateur pointent vers
la copie du site principal au même chemin. La règle de base va dans
le sens sûr : tout pointe vers le site principal, sauf déclaration
contraire. Une page méritant sa propre identité doit la demander
dans ses métadonnées d'en-tête, où la demande est visible. Un
nouveau type de page hérite donc de la réponse prudente plutôt que
de se déclarer discrètement original.

La valeur est calculée dans un seul modèle, puis lue partout où elle
apparaît : par `rel="canonical"`, par `og:url` et `twitter:url`, et
par l'`@id` et l'`url` du nœud de données structurées de la page. Le
sitemap et les variantes linguistiques posent la même question sous
forme de oui ou non. Ils ne sont produits que si l'URL canonique est
l'adresse propre de la page : demander l'indexation d'une adresse
tout en en nommant une autre comme original est une contradiction
qu'un robot peut résoudre en ne faisant confiance à aucune. Une
copie sur un hôte spécialisé reste rendue intégralement et son
sélecteur de langue fonctionne toujours. Ce qu'elle ne transmet pas,
c'est la demande d'indexation, jamais le contenu. La version jumelle
Markdown est annoncée depuis la page HTML avec `rel="alternate"` et
son type de média. La norme HTML y voit le même document dans un
autre format plutôt qu'une page rivale.

Le contrôle de la sortie du site principal exige une seule URL
canonique absolue pointant vers la page elle-même sur les pages HTML
ordinaires et recherche les barres obliques finales manquantes dans
les liens internes vers des pages. Les documents autonomes livrés et
la carte sociale suivent leurs propres règles ; les contrôles des
sites spécialisés vérifient la distinction entre miroirs et
originaux.

Où les problèmes surviennent

Les résultats de recherche montrent une adresse que personne n'a
choisie. Un paramètre de suivi, un hôte parasite ou un miroir
apparaît comme URL affichée. Soit la page ne déclare aucune URL
canonique, soit elle en déclare une tandis que son entrée de
sitemap, son `og:url` et ses liens internes en nomment une autre. Le
moteur pèse donc des signaux contradictoires et choisit. Produisez
une URL canonique absolue par page, y compris une URL pointant vers
elle-même pour l'original. Dérivez de la même valeur les adresses du
sitemap, des aperçus et des données structurées.

La deuxième page d'une série disparaît de l'index. Chaque page d'une
liste paginée ou d'un article découpé désigne la première comme
canonique. La première page n'est ni un doublon ni un sur-ensemble
de la deuxième. Tout ce qui n'apparaît que dans les pages suivantes
peut donc être traité comme doublon et écarté, risque explicitement
signalé par la RFC 6596. Laissez chaque page d'une série se désigner
elle-même ou faites pointer toutes les pages vers une vue unique
contenant réellement l'ensemble du contenu.

Un doublon bloqué dans robots.txt reste affiché, ou l'original
disparaît avec lui. Bloquer l'adresse d'un doublon dans robots.txt
empêche le robot de lire la page, y compris son URL canonique.
Google précise qu'une URL bloquée peut malgré tout être indexée sans
son contenu. Marquer les doublons `noindex` les retire entièrement
de la recherche au lieu de rattacher ce qu'ils ont acquis à
l'original. Laissez les doublons explorables et confiez le
regroupement à une URL canonique ou à une redirection.

L'URL canonique déclarée est ignorée. La cible redirige de manière
permanente ailleurs, déclare elle-même une autre URL canonique,
renvoie 404 ou entre en concurrence avec un second élément canonique
sur la même page. Un script peut aussi réécrire le lien après
l'arrivée du HTML. Chacun de ces cas rend la désignation incorrecte,
et la RFC permet à un consommateur de revenir à son propre jugement.
Pointez vers l'adresse finale renvoyant 200, produisez un seul
élément dans l'en-tête HTML servi et ne laissez aucun script le
modifier ensuite.

Pour aller plus loin

  * RFC 6596 : la relation de lien canonique — l'enregistrement de
la relation, la règle du doublon ou du sur-ensemble et les
désignations à éviter.

  * Norme HTML : type de lien « canonical » — la définition du
mot-clé en HTML et les endroits où il peut apparaître.

  * RFC 8288 : liens Web — l'en-tête HTTP `Link` portant une URL
canonique pour les fichiers dépourvus d'en-tête HTML.

  * Google Search Central : regrouper les URL en double — la manière
dont un moteur de recherche pondère redirections, URL canoniques et
sitemaps les uns par rapport aux autres.

hCette page sur le Web	URL:https://engineer.company/fr/glossary/canonical/	engineer.company	70
