Cómo crear y enviar un sitemap.xml a Google: qué incluir, qué excluir y errores comunes

Guía para crear un sitemap.xml: qué URLs incluir y excluir, límites, cómo enviarlo en Search Console y por qué Google ignora priority y changefreq.

Un sitemap es un archivo XML que lista las páginas de tu sitio que quieres que Google descubra. No es obligatorio y no garantiza que se indexen, pero ayuda sobre todo en sitios nuevos, con pocos enlaces externos o con páginas difíciles de alcanzar. Esta guía explica qué debe llevar, qué debe evitar y cómo enviarlo, y cómo lo resuelve nuestro generador de sitemap.

Qué es y cómo se ve un sitemap

El formato es sencillo. Cada página va dentro de una etiqueta url con su dirección absoluta en loc:

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
  <url>
    <loc>https://tusitio.com/</loc>
  </url>
  <url>
    <loc>https://tusitio.com/blog/mi-articulo/</loc>
  </url>
</urlset>

Las reglas básicas del protocolo:

Cada archivo admite hasta 50,000 URLs y 50 MB sin comprimir. Si pasas de eso, se divide en varios sitemaps y se enlazan desde un índice de sitemaps.
Las direcciones deben ser absolutas, con el mismo protocolo y dominio que el sitemap (no mezcles http con https ni www con sin www).
Los caracteres especiales deben escaparse. Un & dentro de una URL se escribe & o el XML deja de ser válido.
Un sitemap en la raíz puede listar páginas de todo el sitio; uno ubicado en una carpeta solo cubre esa carpeta y sus subcarpetas.

Qué incluir y qué dejar fuera

La regla más útil: el sitemap debe contener solo las páginas que quieres ver en Google. Eso significa páginas que:

Respondan con código 200 (no 404 ni errores del servidor).
No sean una redirección: incluye la dirección de destino.
No tengan noindex ni estén bloqueadas en robots.txt. Listarlas envía a Google instrucciones contradictorias.
Sean la versión canónica. Si una página declara como canonical otra dirección, lista esa otra.
No sean variantes con parámetros de seguimiento, como utm_source, que duplican contenido.

Search Console te avisa de estos conflictos, y un sitemap lleno de errores le resta utilidad como señal.

Qué datos opcionales conviene ignorar

El protocolo permite lastmod, changefreq y priority. En la práctica:

Google ignora changefreq y priority.
Google solo usa lastmod si es consistentemente exacto, es decir, si refleja el último cambio relevante del contenido. Poner la fecha de hoy en todas las páginas hace que deje de confiar en él.

Si no puedes dar una fecha de modificación fiable, es mejor omitirla. Por eso nuestro generador solo incluye la dirección de cada página.

Cómo enviarlo a Google

Guarda el archivo en la raíz como sitemap.xml, de modo que sea accesible en https://tusitio.com/sitemap.xml. Ábrelo en el navegador para comprobar que se ve el XML.
En Google Search Console, abre la sección Sitemaps, escribe la ruta del archivo y pulsa enviar.
Revisa el estado: debe aparecer como correcto y mostrar el número de páginas descubiertas.
Opcional: añade al final de tu robots.txt una línea con Sitemap: seguida de la dirección completa, para que cualquier buscador lo encuentre.

Enviar el sitemap no obliga a Google a indexar nada. Es una sugerencia de qué descubrir; que una página aparezca o no depende de su calidad, su contenido y de que pueda rastrearse.

Errores comunes

Incluir páginas con noindex, bloqueadas por robots.txt o que devuelven 404.
Mezclar http y https, o www y sin www, dentro del mismo archivo.
Olvidar escapar el símbolo & en direcciones con parámetros.
No actualizar el sitemap cuando se eliminan o mueven páginas.
Dar por hecho que enviarlo equivale a estar indexado.

Qué hace nuestro generador y qué no

Nuestro generador de sitemap parte de la dirección que indicas y sigue los enlaces internos que encuentra. Aplica las reglas de esta guía de forma automática:

Respeta las reglas Allow y Disallow de tu robots.txt.
Omite páginas con noindex, con canonical hacia otra dirección, con errores y archivos que no son HTML.
Usa la dirección final de las redirecciones y trata igual el dominio con y sin www.
Elimina parámetros de seguimiento como utm_ y fbclid.
Te muestra un resumen de lo omitido, que sirve también para detectar enlaces rotos.

Tiene límites que conviene conocer: rastrea hasta 200 páginas y 60 segundos por uso, solo lee el HTML inicial (no ejecuta JavaScript) y no puede descubrir páginas a las que no llega ningún enlace interno. Para sitios grandes o que cambian a diario, lo mejor es que el CMS genere el sitemap de forma automática; una herramienta externa te da una foto de un momento concreto.