Cuánto tarda Baidu en indexar y qué acelera de verdad el proceso

Diste de alta tu dominio en Baidu. Pasa una semana y no ocurre nada. Pasa otra y sigue sin ocurrir nada, y empiezas a dudar de que el alta llegara siquiera a registrarse.

Es la pregunta que más nos llega sobre Baidu, y casi siempre la respuesta es que todavía no ha fallado nada. Baidu es lento con un sitio extranjero recién dado de alta, mucho más lento que Google. La pregunta útil no es cuánto se tarda de media, sino cuáles de las cosas que sí están en tu mano están sumando semanas de espera.

Tres cosas que se confunden entre sí

Antes de hablar de plazos, conviene separarlas:

Descubrimiento: Baidu sabe que la URL existe. Eso lo consigue el alta, y es inmediato.
Rastreo: Baiduspider descarga la página de verdad. Esto puede estar fallando en silencio durante meses.
Inclusión (收录): la página está en el índice y puede aparecer en los resultados. Es lo que muestra una consulta site:.
Posicionamiento: la página compite por una búsqueda. Otro problema distinto, y sobre todo de contenido.

Una página puede descubrirse el primer día, rastrearse el noveno y no incluirse nunca. Mandar más URLs no lo arregla. Casi todo el que pregunta cuánto tarda Baidu está atascado en realidad entre el rastreo y la inclusión.

El calendario realista

Para un sitio europeo típico: alojado en Europa, sin registro ICP, con contenido en inglés o en un idioma europeo y sin enlaces desde sitios chinos.

Primera visita de Baiduspider: de un día a tres semanas después del alta. Normalmente solo la portada, y a menudo nada más durante un tiempo.
Primera página visible en una consulta site:: de una a seis semanas.
Cobertura útil de un sitio pequeño: de uno a tres meses.
Cobertura que se mantiene y no encoge en la siguiente reevaluación: de tres a seis meses, y siendo realistas solo si hay páginas en chino simplificado.

Compáralo con un sitio alojado en China continental, con registro ICP y contenido en chino: la portada entra en el índice en días y el resto en un par de semanas. La distancia entre esas dos listas es de lo que trata el resto del artículo.

Baidu no publica ningún compromiso de plazos, y no hay soporte al que escalar el caso. Lo que hay son varios canales con capacidades distintas y un presupuesto de rastreo que crece o se reduce según se comporte tu servidor.

Lo primero: comprueba si estás indexado

Hazlo antes de tocar nada.

Entra en baidu.com y busca site:tudominio.com. La cifra de resultados es una estimación y baila mucho, así que léela como un sí o un no, no como una medición. Si hay resultados, estás indexado y lo que toca discutir es la cobertura. Si a las seis semanas hay cero, algo está roto y esperar más no lo va a arreglar.

Dos comprobaciones más que merecen la pena:

Busca el título exacto de tu portada entre comillas. Si el sitio está indexado pero el operador site: se comporta de forma rara, esto suele sacarlo a la luz.
En Baidu Webmaster Tools (百度搜索资源平台) mira 索引量 (volumen de indexación) y 抓取频次 (frecuencia de rastreo). Esos son los números honestos. 抓取异常 (errores de rastreo) te dice si la araña se está encontrando con tiempos de espera agotados, errores 403 o fallos de DNS, que es donde la mayoría de los sitios extranjeros descubren cuál era su problema real.

Si la frecuencia de rastreo está cerca de cero y los errores de rastreo no, tienes una avería técnica, no un problema de paciencia.

Los canales de alta y lo que vale cada uno

Baidu ofrece varias formas de entregarle una URL, y no son equivalentes.

Sitemap

Solo sirve para el descubrimiento, y es la cola más lenta de todas. Baidu trata el sitemap como una lista de sugerencias que irá mirando cuando pueda. Envíalo, mantenlo al día y no esperes que mueva nada esta semana. Donde más importa es en sitios grandes, cuando necesitas que Baidu llegue a encontrar las páginas profundas.

Envío manual de URLs (普通收录)

Pegas las URLs en el panel. Hay un tope diario por sitio. Es una pista, no una orden. Sirve para un puñado de páginas que te importen de verdad, no como estrategia.

Envío activo por API (主动推送)

El mejor de los canales ordinarios. Tu servidor envía las URLs nuevas y modificadas al endpoint de Baidu en cuanto cambian, con lo que la latencia de descubrimiento desaparece y, por lo que vemos, la espera hasta el primer rastreo se acorta de forma apreciable. La cuota diaria escala con lo que ya tienes indexado, lo cual es la pescadilla que se muerde la cola al principio, pero deja de serlo pronto. Si publicas con regularidad, intégralo en tu build o en tu CMS y olvídate.

Envío automático (自动推送)

Un fragmento de JavaScript que avisa a Baidu cuando alguien ve la página. Necesita visitas reales desde China para hacer algo, y eso es justo lo que no tiene un sitio extranjero recién dado de alta. Además mete un script de terceros en todas las páginas, en un sitio cuyo punto débil ya es el tiempo de carga desde China. Déjalo para cuando tengas tráfico chino.

Inclusión rápida (快速收录)

Este es el canal al que todo el mundo se refiere cuando pregunta cómo indexar rápido, y la respuesta honesta es incómoda.

快速收录 es un canal aparte y con cuota: un número fijo de URLs al día, procesadas mucho más rápido que cualquier cosa de la cola ordinaria. La cuota la concede Baidu, sitio por sitio, según su propia valoración de la calidad del sitio y de su experiencia móvil. Ha cambiado de nombre de programa varias veces con los años, y su forma actual es una asignación por sitio, no algo que se active.

De ahí salen tres consecuencias. No está a la venta. No se concede por pedirlo. Y un sitio extranjero recién creado no la tiene, porque Baidu no tiene historial de rastreo que juzgar. Si algún día llega a estar disponible para tu dominio, será tras meses de rastreos limpios y de contenido en chino que Baidu conserve en lugar de descartar. Quien te ofrezca venderte cuota de inclusión rápida te está vendiendo otra cosa.

El orden práctico, entonces: envío activo para la velocidad, sitemap para la cobertura, envío manual para las pocas páginas que más importan e inclusión rápida solo si el sitio se la ha ganado.

Por qué alojar fuera de China continental sale más lento

Baiduspider rastrea desde rangos de IP de China continental. Cada petición a tu servidor alemán o irlandés cruza la frontera, y eso tiene tres efectos que se acumulan.

Latencia y pérdida de paquetes. Los tiempos de ida y vuelta de 200 a 400 milisegundos son normales, y en horas punta la pérdida de paquetes en ese trayecto es real. Una página que carga en 800 milisegundos desde Fráncfort puede tardar cinco segundos o más desde Pekín.

El presupuesto de rastreo se encoge. Baidu, como cualquier rastreador, se aparta de los servidores lentos o poco fiables. Los tiempos de espera agotados y los errores 5xx bajan tu frecuencia de rastreo, lo que significa menos páginas por visita, lo que significa inclusión más lenta. Ese es el mecanismo detrás de casi todos los «Baidu ha dejado de rastrearnos».

Los recursos bloqueados dejan la página colgada. Google Fonts, googleapis.com, Google Analytics, vídeos de YouTube incrustados, reCAPTCHA, widgets de Facebook: nada de eso es accesible desde China. El navegador se queda esperando a cada uno hasta que se rinde. Lo que Baidu renderice choca con el mismo muro. Alojar tú mismo las fuentes y los scripts es el arreglo más barato que tiene a mano una empresa europea, y suele ser cosa de una tarde.

Sin presencia en China continental, alojar el sitio o ponerle un frontal en Hong Kong, Singapur o Japón recorta bastante el trayecto. No es lo mismo que estar dentro, pero es una mejora grande frente a Europa y no requiere ninguna sociedad china.

Qué cambia el registro ICP y qué no

El ICP备案 (registro ICP) es la inscripción que todo sitio alojado en servidores de China continental debe tener ante el Ministerio de Industria y Tecnologías de la Información. El ICP许可证 (licencia ICP) es el permiso más exigente que se pide a los servicios comerciales en línea. Los dos requieren una entidad legal china, y el registro exige además un proveedor de alojamiento chino, así que una empresa extranjera sin filial ni socio local no puede obtener ninguno de los dos.

Y aquí está la parte que se cuenta mal: Baidu no exige registro ICP para indexar tu sitio. Un .com alojado en Fráncfort puede indexarse y se indexa, y no hay ninguna regla publicada que trate el número de registro como factor de posicionamiento.

Lo que el registro desbloquea de verdad es el alojamiento en China continental, y es el alojamiento el que da la velocidad y el presupuesto de rastreo. La ventaja existe, pero es indirecta. Si no tienes entidad china, eso es un motivo para arreglar todo lo demás de esta lista, no para renunciar a estar indexado.

Velocidad de página, medida desde donde toca

El dato que cuenta es cómo se comporta tu página en una conexión móvil dentro de China, no lo que diga tu panel de monitorización europeo. Baidu lleva años diciendo abiertamente que la experiencia de página en móvil influye en cómo trata un sitio, y el objetivo práctico para una landing es estar por debajo de tres segundos hasta el contenido relevante en una red móvil china.

Lo que un equipo europeo puede hacer hoy mismo:

Renderiza en el servidor. Baiduspider gestiona el JavaScript bastante peor que Googlebot. Si tu texto solo existe después de la hidratación, da por hecho que Baidu no lo ve. Aquí el renderizado en servidor o el HTML estático no es opcional.
Aloja tú las fuentes, los iconos y la analítica. Cada petición a un host bloqueado es un atasco.
Comprime bien las imágenes y pon cabeceras de caché largas en los recursos estáticos.
Un solo salto de redirección. Cada eslabón de la cadena cuesta otro viaje de ida y vuelta a través de la frontera.
Una URL por página. Sin parámetros de sesión, sin parámetros de seguimiento en los enlaces internos y con una única forma canónica del dominio.

Y mídelo desde allí, no desde aquí: varios servicios de medición chinos descargan tu URL desde una docena de ciudades y te dan cifras reales.

¿Baiduspider tiene siquiera permiso para entrar?

Abre tudominio.com/robots.txt ahora mismo. Hemos perdido la cuenta de los sitios que se dieron de alta en Baidu, esperaron dos meses y llevaban todo ese tiempo bloqueando al rastreador.

Las causas habituales:

Un robots.txt de plantilla que autoriza a Googlebot y Bingbot por su nombre y termina con User-agent: * y Disallow: /.
Un bloqueo explícito User-agent: Baiduspider / Disallow: / que alguien puso hace años porque Baiduspider rastreaba demasiado. Es muy frecuente en sitios europeos con solera.
La protección antibots del WAF o del CDN, que es la causa más frecuente y la que nadie mira, porque no aparece en el robots.txt. Las reglas gestionadas ponen un desafío o devuelven un 403 a los user agents que no reconocen, y algunas configuraciones bloquean directamente por geolocalización los rangos de IP de China continental. Para Baidu, tu sitio devuelve un error.
Una etiqueta noindex o una cabecera X-Robots-Tag que se quedó del entorno de pruebas.
Un rel="canonical" apuntando a otro dominio.

Baiduspider se identifica como Baiduspider, con variantes de escritorio y móvil, además de Baiduspider-image, Baiduspider-video y Baiduspider-news. Uno auténtico resuelve por DNS inverso bajo baidu.com o baidu.jp. Cualquier cosa que diga ser Baiduspider desde otro host es una suplantación, y bloquearla no te cuesta nada.

Una comprobación rápida desde la terminal:

curl -A "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)" -I https://tudominio.com/

Lo que quieres ver es un 200. Un 403, una redirección a una página de desafío o un CAPTCHA significan que al rastreador le están cerrando la puerta. Eso sí, esa prueba no cubre el bloqueo geográfico, así que pregunta también a quien gestione tu CDN qué hacen las reglas con el tráfico procedente de China continental.

Por qué hay páginas que se indexan y luego desaparecen

El volumen de indexación baja igual que sube, y una caída no es un fallo. Baidu reevalúa y descarta sin avisar las páginas que decide que no merece la pena conservar: páginas solo en inglés sin público chino, páginas flojas, casi duplicados entre versiones de idioma, textos traducidos automáticamente.

Ahí está el techo real de un sitio extranjero. Todo lo técnico de este artículo te compra velocidad de rastreo. Lo que decide si la inclusión aguanta es si hay contenido en chino simplificado que un lector chino quiera leer. La traducción automática no llega a ese listón, y Baidu la detecta bastante mejor que hace unos años.

Lo que está en tu mano y lo que no

Está en tu mano: el robots.txt, las reglas de tu WAF y de tu CDN, los recursos de terceros, el renderizado en servidor, el tiempo de carga desde China, dónde alojas, que el sitemap sea correcto, el envío activo, una URL canónica por página y que exista o no contenido en chino.

No está en tu mano: el calendario de rastreo de Baidu, la velocidad de la cola, que te concedan alguna vez cuota de inclusión rápida o dónde se estabilice el volumen de indexación. Nada de eso se compra, y no hay ningún ticket de soporte que lo cambie.

Un calendario sin ilusiones

Semana 0: das de alta el sitio, verificas el dominio, envías el sitemap, montas el envío activo y, antes que nada, revisas el robots.txt y las reglas del CDN.
Semana 1: miras la frecuencia de rastreo y los errores de rastreo. Arreglas lo que salga en el informe de errores. Todavía no tocas el contenido.
Semanas 2 y 3: primera consulta site:. Que salga solo la portada es normal y está bien.
Semana 6: si site: sigue sin devolver nada y el registro de rastreo no muestra descargas correctas, deja de esperar y trátalo como una avería técnica. Casi siempre lo es.
Semanas 8 a 12: sigue el volumen de indexación en lugar de la cifra del site:. Empieza a añadir páginas en chino simplificado.
Cada trimestre a partir de ahí: revisa otra vez los errores de rastreo, comprueba que nada nuevo esté bloqueando a la araña y mira si la cobertura crece o se encoge.

Si prefieres delegarlo

La mayor parte de la espera no tiene misterio. Es un rastreador bloqueado, una página lenta vista desde Pekín o un sitio sin nada que le interese a un lector chino, y las tres cosas se arreglan.

El alta en sí es lo que frena a la mayoría de las empresas europeas, porque abrir una cuenta de Baidu exige un número de móvil de China continental. Nuestro servicio de alta en Baidu toma el dominio, lleva todo el alta y te informa de lo que Baidu ha indexado realmente, por un precio cerrado por dominio. No necesitas número de teléfono chino, ni sociedad china, ni cuenta de Baidu propia. Si además quieres dejar resuelta la parte técnica antes de dar de alta el sitio, reserva una llamada y lo definimos.