Canibalización PDF y HTML

María: Hola! Estoy recuperando unos módulos que dejé en stand by hace tiempo 🤭... Tengo una duda sobre PDFs: no me queda claro el tema del contenido duplicado, si el PDF contiene contenido que ya aparece en la web, ¿esto será considerado como contenido duplicado? Lo digo pensando en webs que he visto que ofrecen un contenido concreto en su web y luego también dan la opción de descargar el mismo contenido en formato PDF. ¿Sería mala práctica? Y si lo es, entonces debería ponerse el PDF noindex mediante encabezado HTTP, no? Gracias!

Carlos: Dependiendo de las necesidades específicas, se pueden utilizar diferentes enfoques para gestionar el contenido duplicado. Si el contenido es idéntico, una opción viable es utilizar la etiqueta "canonical". Por otro lado, si se desea evitar que una página sea indexada por los motores de búsqueda, se puede emplear la etiqueta "noindex". También es posible no aplicar ninguna de estas opciones, dependiendo de las circunstancias y similitudes entre las páginas.

Sin embargo, es importante tener en cuenta que el formato del contenido puede influir en la elección adecuada. Por ejemplo, si se trata de una guía proporcionada por el fabricante en formato PDF, es posible simplemente ofrecer el enlace al PDF. No obstante, es importante recordar como se ha visto en las clases que un archivo PDF puede no satisfacer plenamente la misma intención de búsqueda que un archivo web, a menos que sean prácticamente idénticos.

En resumen, la gestión del contenido duplicado debe adaptarse a las necesidades específicas y las características del contenido en cuestión. La elección entre utilizar etiquetas como "canonical" o "noindex", o simplemente ofrecer un archivo PDF, dependerá de la situación particular y de la similitud entre las páginas en cuestión.

Aquí te adjunto un vídeo de Jhon Mu donde afirma que lo escrito en una web y en un PDF se clasifican como distintos tipos de contenido: