plan de site

Ce que c'est

Un plan de site est un fichier qu’un site publie à son propre
sujet : les adresses que son propriétaire souhaite faire connaître
aux moteurs de recherche, avec une entrée par page et quelques
informations facultatives. Sans lui, un robot découvre le site plus
lentement, en suivant les liens des pages déjà connues. Certaines
pages se trouvent au bout d’une longue chaîne de liens ou n’ont
presque aucun lien entrant.

Le format partagé par les grands moteurs est le protocole Sitemaps,
publié sur sitemaps.org. Sa version XML place la liste dans un
élément `<urlset>`, avec un `<url>` par page. À l’intérieur, `<loc>`
contient l’adresse complète et constitue le seul élément enfant
obligatoire. `<lastmod>` indique la date de dernière modification de
la page, `<changefreq>` estime sa fréquence de modification et
`<priority>` est une valeur de 0,0 à 1,0 qui la classe par rapport
aux autres pages du site, jamais à celles des autres. Le protocole
accepte aussi un fichier texte avec une adresse par ligne, ou un
flux RSS ou Atom.

Le protocole fixe des limites strictes. Un fichier contient au
maximum 50 000 adresses et 50 Mo non compressés. Il peut être
compressé avec gzip, doit être en UTF-8 et ses valeurs doivent être
échappées sous forme d’entités. Chaque adresse doit compter moins de
2 048 caractères. Un site plus grand répartit sa liste et publie un
index de plans de site, un second type de fichier qui peut désigner
jusqu’à 50 000 plans de site sur le même site. Un plan de site ne
peut par ailleurs lister que des adresses situées à son emplacement
ou en dessous : un fichier `/catalog/sitemap.xml` couvre les pages
de `/catalog/` et ne sort pas de ce dossier.

Un moteur découvre l’emplacement du fichier de deux façons. Une
ligne `Sitemap:` dans robots.txt donne son adresse complète,
indépendamment de tout groupe user-agent ; le propriétaire peut
aussi le soumettre dans les outils du moteur, comme Google Search
Console.

Le même terme désigne également une page de liens pour les visiteurs
humains. Lorsque la distinction importe, on précise « plan de site
XML » pour celui destiné aux programmes.

Pourquoi c'est important

La documentation de Google expose clairement les limites. Un site
dont les pages sont correctement reliées peut généralement être
découvert sans plan de site. Google situe la limite d’un « petit »
site autour de 500 pages devant apparaître dans les résultats. Il
précise aussi qu’un plan de site « ne garantit pas que tous ses
éléments seront explorés et indexés » et que sa soumission « n’est
qu’une indication ». Il est surtout utile aux grands sites, aux
nouveaux sites vers lesquels pointent peu de liens depuis d’autres
sites et aux sites riches en vidéos, images ou actualités.

Presque tous les générateurs de site en écrivent un sans travail
supplémentaire. La véritable décision porte donc sur ce que le
fichier affirme : chaque entrée est une déclaration que le moteur
peut vérifier sur la page.

Quelles adresses inclure ? Google demande l’adresse canonique de
chaque page. Une liste gonflée de redirections, de doublons ou de
pages marquées `noindex` demande exactement ce que le reste du site
invite à laisser de côté.

Quels champs ? Google indique qu’il ignore `<priority>` et
`<changefreq>`. Il n’utilise `<lastmod>` que « si cette date est
systématiquement exacte et vérifiable, par exemple en la comparant à
la dernière modification de la page ». Le protocole précise que la
date « doit être celle de la dernière modification de la page liée,
pas celle de la génération du plan de site ». Pour Google, une
modification du contenu principal, des données structurées ou des
liens est significative ; une nouvelle année de copyright est
mineure.

C’est là que se situe le coût. Une date issue du système de fichiers
ne coûte rien et est généralement fausse : déploiements, exports et
nouvelles copies de travail touchent des fichiers dont le texte n’a
pas changé. Une date tirée de l’historique des versions est honnête,
mais la construction doit alors disposer de cet historique et le
lire dans le bon ordre. Une date saisie à la main reste exacte
jusqu’à ce que quelqu’un oublie de la modifier.

À quoi cela ressemble en pratique

Le fichier robots.txt de ce site indique une seule adresse,
`https://engineer.company/sitemap.xml`, et ce fichier est un index
qui répertorie les plans de site des éditions linguistiques
publiées. Chaque entrée correspondant à une page contient l’adresse
et une date, ainsi que des liens vers cette même page dans ses
autres traductions publiées. `<priority>` et `<changefreq>` sont
omis, puisque Google dit les ignorer et que le protocole ne les
impose pas. Lors de la rédaction de cet article, l’entrée de la page
consacrée à la préparation à l’IA se présentait ainsi, liens de
langue mis de côté :

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

La liste est volontairement sélective. Les sites satellites
spécialisés de l’entreprise republient ces réalisations avec une URL
canonique pointant vers l’original. Le même modèle exclut ces copies
du plan de site de chaque satellite : une entrée demande au moteur
d’indexer cette adresse précise, et demander une copie tout en
désignant une autre page comme original serait contradictoire.
Chaque hôte n’annonce que ses propres pages.

Ces dates ont leur propre histoire. À un moment, le plan de site
annonçait aux moteurs que 172 de ses 176 pages avaient changé au
même instant. La cause était ordinaire : la date provenait de
l’heure de modification de chaque fichier, et l’export du contenu
réécrit tous les fichiers à chaque exécution. La correction a
déplacé la source vers l’historique des versions, avec une chaîne de
repli qui essaie un champ explicite, puis l’historique des commits,
puis le fichier. Elle cachait un piège utile à connaître : le nom
littéral du champ doit figurer dans la liste, sinon le générateur ne
le lit jamais. Ensuite, une resynchronisation après un mois de
modifications n’a touché que huit fichiers sur 186, plutôt que tous,
et le plan de site dit quelque chose de vrai.

Cette date sert désormais au-delà du plan de site. Comme l’explique
la page consacrée à la découverte par les agents d’IA, chaque
déploiement annonce les changements par IndexNow, un protocole
auquel participent Bing et plusieurs autres moteurs. Le script de
déploiement décide de ce qui a changé en comparant le `lastmod` de
chaque page à son dernier envoi : un déploiement qui modifie une
page n’annonce donc qu’une page. Google ne figure pas dans la liste
des moteurs participants d’IndexNow ; il découvre donc la
modification à sa prochaine lecture du plan de site. Un contrôle de
la construction vérifie chaque date du plan de site par rapport à
l’historique de la page et refuse la publication lorsqu’une date est
fausse. Pour les personnes plutôt que les programmes, il existe
aussi un index lisible de toutes les pages.

Où les problèmes surviennent

Toutes les pages prétendent avoir changé aujourd’hui. Le plan de
site donne la même date, ou une date par déploiement, à des
centaines de pages. Le moteur n’apprend rien sur ce qui est nouveau.
La cause est une date issue du système de fichiers ou de l’horloge
de construction. Google n’utilise `<lastmod>` que si la date est
systématiquement exacte et vérifiable, ce qu’un horodatage partagé
n’est manifestement pas. Prenez la date dans l’historique du contenu
et comparez-y un échantillon d’entrées après toute modification de
la construction.

La liste demande des pages que le site veut exclure. Redirections,
doublons portant des paramètres de suivi, pages marquées `noindex`,
hôtes de préproduction et copies dont l’URL canonique désigne une
autre page apparaissent dans les plans de site des générateurs qui
listent chaque fichier construit. Chaque entrée envoie le robot à
une adresse que la page désavoue ensuite. Ne listez que l’adresse
canonique de chaque page destinée aux résultats, et faites répondre
le plan de site et la balise canonique selon la même règle, comme
les modèles de ce site.

Les entrées dépassent le périmètre du fichier. Un plan de site situé
à `/blog/sitemap.xml` liste des pages de boutique ou écrit des
chemins relatifs comme `/page.html`. Le protocole limite un fichier
aux adresses de son dossier ou de ses sous-dossiers, et Google
explore les adresses telles qu’elles sont écrites. Publiez le plan
de site à la racine, écrivez chaque `<loc>` comme une adresse
`https://` complète du même hôte et passez à un index de plans de
site avant d’approcher 50 000 entrées ou 50 Mo.

Des pages listées depuis des mois restent hors de l’index. Le
propriétaire prend le plan de site pour une instruction et attend.
Google parle d’une indication : une adresse listée peut toujours
être ignorée ou regroupée avec un doublon pour des raisons
extérieures au fichier. Regardez la page plutôt que la liste :
d’autres pages créent-elles des liens vers elle ? Son URL canonique
la désigne-t-elle elle-même ? robots.txt ou une règle `noindex`
empêche-t-elle le robot d’y accéder ?

Pour aller plus loin

  * Format XML Sitemaps — le protocole : chaque balise, les limites
de taille, les fichiers d’index et les adresses qu’un fichier peut
lister.

  * Créer et soumettre un plan de site — les règles de Google,
notamment les balises ignorées et les conditions auxquelles une date
est jugée fiable.

  * Comprendre les plans de site — les cas où Google recommande un
plan de site et ceux où des liens corrects suffisent.

  * Documentation IndexNow — le protocole qui informe les moteurs
participants d’une modification le jour de sa livraison.

  * RFC 9309 : protocole d’exclusion des robots — la norme
robots.txt, qui permet au robot de lire une ligne `Sitemap:` à côté
des règles.

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