#14. Face cachée des Sitemaps XML
Et si votre sitemap jouait contre vous ?
Salut, c’est Alexis 👋
Bienvenue à 105 (❤️🔥) nouveaux abonnés depuis la dernière édition ! Si vous n’êtes pas encore abonné, il n’y a rien de plus simple ⬇️
Merci également à Arnaud d’avoir pris un abonnement payant à la newsletter! Ce n’est pas obligatoire, mais ça me motive bien à préparer pour vous des sujets exclusifs et utiles 😉
On ne va pas le cacher, dans le SEO technique on aime les sitemaps XML : c’est simple, efficace et pratique.
Mais derrière cette simplicité apparente se cache également un certain nombre de défauts propres aux sitemaps auxquels on ne pense pas forcément.
Utilisées comme un outil de confort, elles peuvent masquer des problèmes structurels, fausser notre lecture du site ou même exposer au risque le site, voire le business entier.
Je vous propose d’explorer aujourd’hui les 6 faces cachées des sitemaps XML — ces zones grises techniques et stratégiques qu’il faut connaître et maîtriser.
Bonne lecture!
1. Sitemap XML dans robots.txt = chemin raccourci pour les scrapers malveillants
Un sitemap XML est le moyen le plus efficace pour accéder aux contenus de n’importe quel site. Avec de bonnes intentions ou pas.
Qu’il s’agisse d’un flux d’articles d’un site média ou d’un catalogue de produits d’un site e-commerce, au lieu de crawler l’ensemble du site, on accède directement aux pages utiles dans un format propre et structuré.
Et le moyen le plus simple d’identifier les sitemaps existants est de jeter un œil dans le fichier robots.txt où ils sont couramment déclarées, ce dont profitent volontiers divers parseurs de contenu.
Pour les plus curieux, regardez dans vos logs serveur qui consulte vos fichiers de sitemaps : il n’y a pas que Googlebot, loin de là 👾
💡Conseils :
Indiquer le chemin vers un sitemap XML dans le fichier robots.txt n’est en rien une obligation. Le paramètre “Sitemap” y est facultatif.
Une soumission via la Google Search Console suffit amplement pour que Google prenne en compte le fichier en toute confidentialité.
Couplée à la personnalisation du nom de fichier (qui peut s’appeler comme on le souhaite), la non-déclaration du sitemap dans robots.txt rend la vie aux scrapers malveillants plus complexe.
2. Sitemap XML masque les défauts le l’arborescence et du maillage interne
L’un des axes importants d’un audit SEO technique consiste à identifier les zones d’ombre, c’est-à-dire les parties du site non explorées par les moteurs de recherche, et donc non indexées.
Ces zones d’ombre apparaissent pour différentes raisons, notamment des problèmes de navigation, un maillage interne insuffisant, ou encore l’utilisation de JavaScript complexe qui encapsule les liens de navigation.
En croisant ces données, nous obtenons des recommandations SEO bien fondées et argumentées : par exemple, les pages de cette section du site ne sont pas indexées par Google, car elles sont trop profondément enfouies dans la structure du site.
Mais tout change avec l’apparition du fichier sitemap.xml.
Désormais, Googlebot peut accéder aux pages non seulement via la navigation par liens, mais aussi grâce au plan du site.
Un sitemap XML bien rempli peut assurer la couverture d’exploration des pages et donner l’illusion d’un site correctement structuré, même si certaines pages sont orphelines, peu liées ou mal intégrées dans l’arborescence.
Google découvre alors des contenus qu’il n’aurait pas forcément trouvés via le maillage interne — ce qui peut fausser nos analyses SEO.
Le sitemap XML sert de béquille technique qui cache des failles structurelles, sans les corriger. Les pages orphelines ou trop profondes se font explorées sans cependant bénéficier de la valorisation naturelle offerte par les liens internes.
Et là on arrive à un autre défaut majeur de l’exploration via les sitemaps XML.
3. Exploration via un sitemap XML ≠ Exploration via l’arborescence
Une fois le sitemap découvert par Google (via la Search Console ou le fichier robots.txt), Googlebot commence à en récupérer les URLs une à une pour les explorer.
Mais ce mode d’exploration présente les mêmes limites que la soumission manuelle d’une URL dans l’outil d’inspection de la Search Console : Google découvre des pages isolées, détachées de l’arborescence.
Elles s’indexent, mais sans contexte ni valorisation.
C’est pourquoi on est souvent déçu de voir que nos pages nouvellement soumises ne se positionnent pas aussi bien qu’espéré. Il faut du temps pour que les signaux sémantiques, structurels et de popularité soient identifiés, transférés et pris en compte.
À l’inverse, une exploration via l’arborescence est plus riche et permet à Google non seulement de découvrir, mais aussi de contextualiser chaque page : son importance au sein du site, sa proximité avec d'autres contenus, sa place dans le maillage, etc.
4. Sitemap XML aplatit la structure de votre site
Le sitemap XML recrée une version plate de votre site, une simple liste d’URLs sans aucune priorisation.
Or, dans votre arborescence réelle, certaines pages sont stratégiquement mises en avant via le maillage interne : page d’accueil, pages de catégories, contenus piliers, etc.
En soumettant un sitemap XML, vous donnez à Google une liste neutre où toutes les pages semblent avoir la même importance.
À partir de ce moment-là, l’exploration ne suit plus exactement la hiérarchie que vous avez définie, mais se fait dans un ordre plus arbitraire. Au détriment des pages vraiment importantes.
Et si le site contient des centaines de milliers de pages, on risque d’avoir un déséquilibre sensible dans l’exploration.
Certains paramètres autorisés dans les sitemaps peuvent donner l’illusion des consignes de priorisation des pages envoyées au moteur de recherche, mais pour rappel Google ignore les valeurs <priority> et <changefreq>.
Résumons : Le sitemap ne remplace jamais un bon maillage interne. Il aide à la découverte, pas à la valorisation.
5. Crawl : confusion entre pages trouvées via sitemap vs arborescence
Quand on fait un audit technique, on passe toujours par une étape de crawl.
Certaines configurations d’outils de crawl prévoient l’exploration des sitemaps XML en plus de l’exploration classique par les liens internes.
C’est utile quand on a besoin de récupérer le maximum de pages disponibles.
Mais lors d’un audit, cela peut créer une illusion : on croit que toutes les pages ont été découvertes naturellement via l’arborescence du site, alors qu’en réalité, une partie d’entre elles n’est accessible que via le sitemap.
Quelques conseils :
Lorsque vous utilisez un crawler SEO, désactivez l’exploration du sitemap pour évaluer la qualité réelle de l’arborescence.
Comparez les résultats avec et sans sitemap pour identifier les pages non reliées au reste du site.
Corrigez les problèmes de maillage plutôt que de vous reposer uniquement sur le sitemap pour la découverte.
6. Sitemap XML - un levier d’exposition involontaire de pages sensibles
Et le dernier.
Par nature, les sitemaps XML sont conçus pour recenser l’ensemble des pages d’un site — y compris celles qui ne sont pas maillées depuis l’arborescence principale.
Ce fonctionnement peut se retourner contre vous si des URLs sensibles, privées ou non destinées à l’indexation s’y glissent par erreur.
À partir du moment où vous déployez des sitemaps, il faut maintenant veiller à ce qu’ils soient propres et ne contiennent que les pages qu’on souhaite voir dans les résultats de recherche.
Dès qu’un sitemap commence à révéler des pages techniques, d’administration ou contenant des informations personnelles, il attire rapidement l’attention des hackers :
Par cet article, je ne voulais absolument pas vous détourner de l’utilisation des sitemaps XML, au contraire! C’est un outil extrêmement efficace et simple à mettre en place. Juste n’oublions pas qu’un sitemap doit compléter une structure solide et pas en masquer les failles.
C’est tout pour aujourd’hui!
Merci et à très bientôt,
Alexis 😉