Descripción general de los rastreadores y sistemas de obtención de Google (user-agents)
Google utiliza rastreadores y sistemas de obtención para realizar las acciones relacionadas con sus productos, ya sea de forma automática o mediante solicitud de los usuarios.
El término "rastreador" (a veces llamado "robot" o "araña") es el término genérico con el que se denomina a cualquier programa que se utilice para encontrar y analizar automáticamente sitios web siguiendo enlaces entre páginas web. El rastreador principal de Google que se utiliza para la Búsqueda de Google se llama robot de Google.
Los sistemas de obtención, al igual que un navegador, son herramientas que solicitan una única URL cuando el usuario lo solicita.
En las tablas siguientes se muestran los rastreadores y sistemas de obtención de Google que utilizan varios productos y servicios, cómo puedes verlos en tus registros de referencia y cómo especificarlos en el archivo robots.txt. Las listas no son exhaustivas, solo hacen referencia a los solicitantes más habituales que pueden aparecer en los archivos de registro.
-
En la columna Token de user-agent aparecen los valores que debes incluir en la línea
User-agent:de tu archivo robots.txt si quieres dirigir una regla de rastreo a ese tipo de rastreador en concreto. Como se muestra en la tabla, algunos rastreadores tienen más de un token; en estos casos, basta con que incluyas uno de ellos en una regla para que el rastreador en cuestión la respete. Esta lista no es exhaustiva, pero incluye la mayoría de los rastreadores que pueden visitar tu sitio web. - Los valores de la columna Cadena de user-agent completa son las descripciones completas de cada rastreador, y son las cadenas que verás en las solicitudes HTTP y en tus registros web.
Rastreadores habituales
Los rastreadores habituales de Google se utilizan para buscar información con el fin de crear índices de búsqueda de Google, hacer otros rastreos específicos de productos y para los análisis. Siempre obedecen las reglas de robots.txt y generalmente rastrean desde los intervalos de IPs publicados en el objeto googlebot.json.
| Rastreadores habituales | |||||
|---|---|---|---|---|---|
Googlebot Smartphone |
|
||||
Googlebot Desktop |
|
||||
Googlebot Image |
Se utiliza para rastrear las URLs de las imágenes de Google Imágenes y de los productos que dependen de imágenes.
|
||||
Googlebot News |
Googlebot-News utiliza el robot de Google para rastrear artículos periodísticos, pero respeta su token de user-agent antiguo
|
||||
Googlebot Video |
Se utiliza para rastrear las URLs de vídeo de Google Vídeos y para los productos que dependen de vídeos.
|
||||
Google StoreBot |
Google StoreBot rastrea ciertos tipos de páginas, entre las que se incluyen las páginas de detalles de productos, las páginas del carrito y las páginas de tramitación de la compra.
|
||||
Google-InspectionTool |
Google-InspectionTool es el rastreador que usan las herramientas de prueba de la Búsqueda, como la prueba de resultados enriquecidos y la inspección de URLs en Search Console. Aparte del user-agent y el token de user-agent, imita al robot de Google.
|
||||
GoogleOther |
GoogleOther es el rastreador genérico que pueden utilizar diversos equipos de producto para obtener contenido de acceso público de sitios. Por ejemplo, puede usarse en rastreos únicos para fines de investigación y desarrollo internos.
|
||||
GoogleOther-Image |
GoogleOther-Image es la versión de GoogleOther optimizada para obtener URLs de imágenes accesibles públicamente.
|
||||
GoogleOther-Video |
GoogleOther-Video es la versión de GoogleOther optimizada para obtener URLs de vídeos de acceso público.
|
||||
Google-CloudVertexBot |
Google-CloudVertexBot rastrea sitios a solicitud de los propietarios al crear agentes de Vertex AI.
|
||||
Google-Extended |
|
||||
Rastreadores para casos especiales
Los rastreadores para casos especiales los utilizan productos específicos en los que existe un acuerdo entre el sitio rastreado y el producto en relación con el proceso de rastreo. Por ejemplo, AdsBot ignora el user-agent del archivo robots.txt global (*) con el permiso del editor del anuncio. Es posible que los rastreadores para casos especiales ignoren las reglas de robots.txt, por lo que operan desde un intervalo de IPs distinto al de los rastreadores habituales. Los intervalos de IPs se publican en el objeto special-crawlers.json.
| Rastreadores para casos especiales | |||||
|---|---|---|---|---|---|
APIs-Google |
Las APIs de Google lo utilizan para enviar mensajes de notificaciones push. Ignora el user-agent global (
|
||||
AdsBot Mobile Web |
Comprueba la calidad de los anuncios incluidos en las páginas web que se muestran en móviles.
Ignora el user-agent global (
|
||||
AdsBot |
Comprueba la calidad de los anuncios incluidos en las páginas web que se muestran en ordenadores.
Ignora el user-agent global (
|
||||
AdSense |
El rastreador de AdSense visita tu sitio para determinar su contenido y así proporcionar anuncios relevantes. Ignora el user-agent global (
|
||||
Mobile AdSense |
El rastreador de AdSense para móviles visita tu sitio para determinar su contenido y así proporcionar anuncios relevantes. Ignora el user-agent global (
|
||||
Google-Safety |
El user-agent Google-Safety gestiona el rastreo específico de usos inadecuados, como la detección de malware en enlaces publicados de forma pública en las propiedades de Google. Este user-agent ignora las reglas del archivo robots.txt.
|
||||
Sistemas de obtención activados por el usuario
Los usuarios activan los fetchers activados por el usuario para que realicen una función específica del producto. Por ejemplo, Google Site Verifier actúa cuando lo solicitan los usuarios, o un sitio alojado en Google Cloud (GCP) tiene una función que permite a los usuarios del sitio recuperar un feed RSS externo. Dado que los usuarios solicitan la obtención, estos sistemas generalmente ignoran las reglas de robots.txt. Los intervalos de IPs que utilizan los fetchers activados por el usuariose publican en los objetos user-triggered-fetchers.json y user-triggered-fetchers-google.json.
| Sistemas de obtención activados por el usuario | |||||
|---|---|---|---|---|---|
Feedfetcher |
Feedfetcher se utiliza para rastrear los feeds RSS o Atom de Google Podcasts, Google News y PubSubHubbub.
|
||||
Centro de editores de Google |
Obtiene y procesa feeds que los editores han proporcionado explícitamente a través del Centro de editores de Google para usarlos en las páginas de destino de Google News.
|
||||
Google Read Aloud |
Cuando lo solicita un usuario, Google Read Aloud obtiene y lee en voz alta páginas web mediante la conversión de texto a voz (TTS).
|
||||
Google Site Verifier |
Google Site Verifier obtiene tokens de verificación de Search Console cuando el usuario lo solicita.
|
||||
Nota sobre Chrome/W.X.Y.Z en user-agents
Cuando veas la cadena Chrome/W.X.Y.Z en los user-agents de la tabla, ten en cuenta que W.X.Y.Z es un marcador de posición que representa la versión del navegador Chrome que usa ese user-agent (por ejemplo, 41.0.2272.96). Este número irá aumentando con el tiempo para reflejar la versión más reciente de Chromium que utiliza el robot de Google.
Si buscas en tus registros o filtras tu servidor por un user-agent que tenga este patrón, te recomendamos que no indiques un número de versión exacto, sino que utilices comodines.
User-agents en archivos robots.txt
Si en un archivo robots.txt se reconocen varios user-agents, Google seguirá el más concreto. Si quieres que todos los rastreadores de Google puedan rastrear tus páginas, no hace falta que utilices ningún archivo robots.txt. Para bloquear o permitir el acceso de todos los rastreadores de Google a parte de tu contenido, especifica el user-agent "Googlebot". Por ejemplo, si quieres que todas tus páginas aparezcan en la Búsqueda de Google y que se muestren anuncios de AdSense en ellas, no necesitas un archivo robots.txt. Del mismo modo, para impedir que determinadas páginas aparezcan en Google, basta con que bloquees el user-agent Googlebot de modo que no pueda acceder a ellas; así bloquearás también todos los demás user-agents de Google.
Si lo que quieres es tener un control más preciso, puedes usar restricciones más concretas. Por ejemplo, pongamos que quieres que todas tus páginas aparezcan en la Búsqueda de Google pero que no se rastreen imágenes de tu directorio personal. En ese caso, puedes configurar del siguiente modo el archivo robots.txt para evitar que el user-agent Googlebot-Image rastree los archivos de tu directorio personal (pero permitir que el robot de Google rastree todos los archivos):
User-agent: Googlebot Disallow: User-agent: Googlebot-Image Disallow: /personal
Veamos otro ejemplo. Si quieres que se muestren anuncios en todas tus páginas, pero no quieres que esas páginas aparezcan en la Búsqueda de Google, bloquea el robot de Google y permite Mediapartners-Google, tal como se muestra a continuación:
User-agent: Googlebot Disallow: / User-agent: Mediapartners-Google Disallow:
Controlar la frecuencia de rastreo
Cada rastreador de Google accede a los sitios con una finalidad concreta y con distinta frecuencia. Google usa algoritmos para determinar la frecuencia óptima de rastreo en cada sitio. Si un rastreador de Google rastrea tu sitio con demasiada frecuencia, puedes reducir su frecuencia de rastreo.
Rastreadores de Google retirados
Los siguientes rastreadores de Google ya no se utilizan y solo se indican aquí a modo de historial.
| Rastreadores de Google retirados | |||||
|---|---|---|---|---|---|
Duplex web |
Admitía el servicio Duplex web.
|
||||
Web Light |
Comprobaba si estaba presente el encabezado
|
||||
AdsBot Mobile Web |
Comprueba la calidad de los anuncios incluidos en las páginas web que se muestran en dispositivos iPhone.
Ignora el user-agent global (
|
||||
Mobile Apps Android |
Comprueba la calidad de los anuncios incluidos en las páginas web que se muestran en aplicaciones Android.
Obedece las reglas de los robots de
|
||||
Google Favicon |
|
||||