Rastreas la web entera. Ningún enlace roto.
Abres Search Console y salen 404.
No es un fallo de la herramienta. Esos 404 no nacen dentro de tu web.
¿De dónde salen?
En un portal institucional con decenas de miles de páginas, la mayoría venían de PDF antiguos.
PDF que seguían indexados.
Enlazados desde webs de fuera del portal.
Con URLs de versiones del documento que ya no eran válidas.
Google las seguía teniendo. Las webs de fuera las seguían enlazando. Y el portal respondía 404.
¿Por qué no los ves en un rastreo?
Un rastreador parte de tu web y sigue tus enlaces. Si ningún enlace tuyo apunta a esa versión vieja, no la encuentra.
Search Console sí, porque Google ya la conocía o la encuentra en enlaces de fuera.
El log tampoco lo pone fácil. Google acaba de explicar cómo identificar en los logs las visitas que llegan desde Search con la cabecera Referer: solo trae el dominio, sin la ruta, y puede llegar vacía por privacidad, por abrir en pestaña nueva o por una redirección Google Search Central.
Ves el 404. No siempre ves de dónde viene.
Por tanto, para este tipo de 404: Search Console primero.
¿Cómo lo encontré?
Sobre todo con los informes de Search Console. Ahí salían los PDF antiguos que daban 404.
Y con auditorías de Screaming Frog para cruzarlo con lo que enlaza la propia web.
Dos herramientas. Nada más.
¿Cómo se arregló?
No con una redirección por URL. Son demasiadas versiones.
El equipo técnico del portal forzó desde el servidor que todas las versiones de cada PDF vayan a su nueva URL canónica.
Una regla, no miles de parches.
Y otra más: si una web mete uno de esos PDF en un iframe, ya no puede servirlo dentro de su página. Siempre lleva al portal, a la canónica.
El tráfico de esos enlaces vuelve a casa.
Ese PDF, en un futuro, será HTML.
Si os toca hacerlo, Google da dos vías:
- Redirección permanente (301 o 308) en el servidor. Es la señal más fuerte para que el destino sea la canónica Google, redirecciones.
- Cabecera HTTP Link con rel="canonical". Es la forma de marcar la canónica en un PDF, que no tiene head Google, URLs duplicadas.
Antes de arreglar, clasifica. Lo conté en No todos los 404 son iguales.
¿Qué es lo difícil de un portal público?
Es apasionante.
Pero muchas recomendaciones no se pueden seguir, porque necesitan un alto consenso.
Ojo estos días
El core update de noviembre empezó el 10 y puede tardar dos semanas. Google pide no sacar conclusiones de Search Console hasta que termine Search Status Dashboard.
Los 404 de PDF viejos no dependen de él. Se pueden limpiar ya.
¿Cuántos de vuestros 404 de Search Console salen también en vuestro rastreo?
¿Te ha servido? Si quieres que lo mire en tu web, aquí te cuento cómo trabajo el SEO o escríbeme.
¿Te queda alguna duda?
Pregúntamela y la respondo en el muro de preguntas, una vez al día.