Faut-il vraiment exclure les URL non-canoniques de votre sitemap XML ?

Pourquoi Google insiste-t-il sur ce point apparemment basique ?

Parce que dans la pratique, une majorité de sitemaps sont mal configurés. On y trouve des URL qui redirigent, des pages marquées noindex, des variantes de paramètres non canonisées. Google doit alors faire le tri, ce qui consomme du crawl budget pour rien.

Le sitemap est censé faciliter le travail de Googlebot, pas le compliquer. Quand vous y placez des URL qui ne doivent pas être indexées, vous envoyez des signaux contradictoires : « crawle cette page » d'un côté, « ne l'indexe pas » de l'autre.

Qu'est-ce qu'une URL indexable dans ce contexte ?

Une URL indexable, c'est celle qui répond en 200, qui n'a pas de balise noindex, qui n'est pas bloquée en robots.txt, et qui constitue la version canonique (soit auto-référencée, soit sans balise canonical du tout si c'est l'unique version).

Si votre URL renvoie vers une autre avec une 301 ou 302, elle n'est pas indexable. Si elle porte un canonical vers une autre URL, elle n'est pas la version canonique. Simple — et pourtant.

Quelles sont les conséquences concrètes d'un sitemap pollué ?

Googlebot perd du temps à crawler des pages inutiles. Votre crawl budget se dilue, surtout sur les gros sites. Résultat : des pages stratégiques peuvent être explorées moins fréquemment.

Autre effet pervers : un sitemap rempli d'erreurs peut amener Google à le considérer comme peu fiable, voire à l'ignorer partiellement. Vous perdez alors l'avantage de priorisation qu'il est censé offrir.

• Ne mettre que des URL canoniques dans le sitemap
• Exclure toute URL en noindex ou qui redirige
• Éviter les variantes de paramètres non canonisées
• Vérifier régulièrement la cohérence entre sitemap et directives d'indexation
• Considérer le sitemap comme un signal de priorisation, pas un fourre-tout

Cette règle est-elle vraiment respectée par les gros acteurs du web ?

Spoiler : non. Un audit rapide de sitemaps de sites connus révèle des milliers d'URL en redirect ou noindex. Même de grosses plateformes tech envoient des signaux contradictoires.

Cela dit — et c'est là que ça devient intéressant — Google est capable de gérer cette pollution. Il ne va pas pénaliser votre site parce que votre sitemap contient 10 % d'URL en 301. Mais vous perdez l'effet d'optimisation du crawl que le sitemap devrait apporter.

Y a-t-il des cas où inclure une URL non-canonique se justifie ?

Honnêtement ? Non. Certains SEO argumentent qu'inclure des variantes peut aider Google à découvrir la version canonique plus vite. C'est un raisonnement bancal : si votre maillage interne est correct, Google trouvera la canonique sans aide.

D'autres incluent volontairement des pages en noindex « temporaires » pour les faire crawler plus vite. Là encore, c'est une béquille. Si une page doit être crawlée vite, elle doit être liée depuis une page importante — pas planquée dans un sitemap.

Google est-il transparent sur l'impact réel de cette recommandation ?

Comme souvent, la déclaration reste dans le flou. Martin Splitt dit que les URL non-indexables sont « peu utiles ». Peu utiles, ou carrément nuisibles ? [À vérifier]

Il manque des données chiffrées. Quel pourcentage d'URL problématiques commence à affecter l'efficacité du sitemap ? Google ne le dit pas. On navigue à vue, en se basant sur des retours terrain qui suggèrent qu'au-delà de 15-20 % d'URL inutiles, l'impact sur le crawl devient mesurable.

Comment auditer votre sitemap actuel ?

Commencez par extraire toutes les URL de votre sitemap. Utilisez Screaming Frog, Oncrawl, ou un script Python avec les librairies classiques (requests, BeautifulSoup).

Ensuite, crawlez ces URL et vérifiez : code de statut HTTP, présence de balise canonical, directive d'indexation (noindex ou pas). Croisez avec vos logs serveur pour voir si Google crawle vraiment ce que vous lui indiquez.

Que faut-il faire concrètement pour nettoyer un sitemap pollué ?

Supprimez toute URL qui retourne autre chose qu'un 200. Virez les pages avec un canonical pointant ailleurs. Excluez systématiquement les pages marquées noindex.

Si vous avez des milliers d'URL, automatisez le processus. La plupart des CMS permettent de définir des règles de filtrage. Shopify, par exemple, inclut par défaut des collections filtrées — il faut les exclure manuellement.

• Crawler votre sitemap avec un outil SEO (Screaming Frog, Sitebulb, Oncrawl)
• Identifier les URL en 3XX, 4XX, 5XX et les retirer
• Vérifier la présence de balises noindex et exclure ces pages
• Contrôler que chaque URL du sitemap est bien la version canonique
• Paramétrer votre CMS pour éviter la génération automatique d'URL non-indexables
• Soumettre le sitemap nettoyé via Google Search Console
• Monitorer l'évolution du taux de couverture et du crawl dans GSC