Monitorizar GoogleBot con Google Analytics

Publicado el 13 de abril del 2015 por Lino Uruñuela

Hace tiempo ya comentamos que podemos saber cómo y cuándo acceden los robots de los buscadores a cada url de nuestro site por medio de los logs.

Es muy importante tener visibilidad sobre qué y cómo crawlean GoogleBot, BingBot nuestro site.

Cosas que nos pueden ser muy útiles y a veces salvarnos la vida

• URLs más frecuentadas por cada Bot
• Saber cuánto tiempo pierden los bots en URLs de paginaciones
• Saber cuánto tiempo pierden los bots en URLs con canonical
• Saber cuánto tiempo pierden los bots en URLs con noindex
• Saber cuánto tiempo pierden los bots en URLs con parámetros
• ¿Cuantos accesos a páginas con error 404 hace cada Bot?
• ¿Desde que país está rastreando?
• ¿Con que User Agent concretamente?
• ¿A cuántas URLs únicas acceden los distintos Bots?
• ¿Cuántas de las URLs que acceden los bots no tienen accesos por parte de usuarios desde hace mas de 1 año?

Cómo véis, estos datos nos pueden dar mucha luz sobre que podemos mejorar de nuestro site, y lo mejor, intentar averiguar por que los Bots actuan como actuan en nuestra web y si su rastreo está siendo eficiente.

Ya vimos en un post anterior, que es posible obtener todos estos datos con los logs del servidor, aplicando unas simples órdenes en linux. Pero también es verdad que si no sabes mucho de logs puede no ser fácil aislar bien los datos que quieres obtener (hecho en falta alguna herramienta de logs completamente orientada a SEO), sería de gran ayuda.

Vamos a facilitar un poco esta monotorización mostrando cómo trackear GoogleBot, BingBot (y los que quieras) con Google Analytics, concretamente con Universal Analytics  y su protocolo de medición.

Si algo bueno tiene este protocolo de Universal Analytics es que lo puedes usar cómo tú quieras, y monotorizar desde los usuarios de tu site, hasta el inventario de libros de tu casa, claro está, si sabes  cómo funciona y te has peleado unas cuantas horas conél.

En este caso vamos a usar el protocolo para obtener los accesos de GoogleBot y BingBot a nuestro site

Monotorizamos los siguientes datos

• Nombre del Bot
• URL a la que accede
• Fecha completa a la que accede
• País desde donde llega
• Si da un estado http 200, o da error 404
• User Agent que usa

Muchos creeréis que será complicado... NO! solo hay que seguir estos 7 pasos ;)

1. Créate una nueva propiedad en Google Analytics
   Vamos a hacerlo en una distinta para no contaminar los datos de visitas, aunque como veremos no influye para nada... pero por si acaso
2. Ve al administrador de Google Analytics y crea una nueva propiedad
   
   
   
   
   
   
   
   
   
3. Rellenamos los campos
   
   
   
   
   
   
   
   
   
4. Vamos a crear dos dimensiones personalizadas, para desde el administrador.
   
   
   
   
   
   
   
   
5. Yo las he llamado así, podéis nombrarlas como queráis. La creamos a nivel de "Hit"
   
   
   
   
   
   
   
   
6. Copia y pega el código al final de todo
   Ya tenemos Analytics configurado y preparado, ahora el código php que debes pegar al final de tu site, después del </html> y de cualquier otro comando que ejecute en php, que sea lo último así no interfiere en nada. 
   
   Lo único que debes personalizar, tu identificador de Analytics, y si es página de error código 404 y si es correcta 200
   
   UA-XXXXX-XX -> tu identificador de Google Analytics
   
   $titulo_Pagina -> title de la página
   
   "200" -> si la página no es la de error, si es la de erro un "404"
   
   

   <?
   class BotTracker
   {
       static function track($s, $params)
       {
           if (preg_match("/googlebot|bingbot/i", $s['HTTP_USER_AGENT'], $matches)) {
               $bot = $matches[0];
               $data = array('v' => 1, 'tid' => 'UA-XXXXX-XX', 'cid' => self::generate_uuid(), 't' => 'pageview', 'dh' => $s['HTTP_HOST'], 'dl' => $s['REQUEST_URI'], 'dr' => $s['HTTP_REFERER'], 'dp' => $s['REQUEST_URI'], 'dt' => $params['page_title'], 'cs' => $bot, 'cm' => 'direct', 'cn' => '', 'ck' => $s['HTTP_USER_AGENT'], 'cc' => '', 'uip' => $s['REMOTE_ADDR'], 'cd1' => $s['HTTP_USER_AGENT'], 'cd2' => $params['http_code'],);
               $url = 'http://www.google-analytics.com/collect';
               $content = http_build_query($data);
               $ch = curl_init();
               curl_setopt($ch, CURLOPT_USERAGENT, $s['HTTP_USER_AGENT']);
               curl_setopt($ch, CURLOPT_URL, $url);
               curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
               curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 0);
               curl_setopt($ch, CURLOPT_CONNECTTIMEOUT_MS, 0);
               curl_setopt($ch, CURLOPT_TIMEOUT_MS, 0);
               curl_setopt($ch, CURLOPT_HTTPHEADER, array('Content-type: application/x-www-form-urlencoded'));
               curl_setopt($ch, CURLOPT_HTTP_VERSION, CURL_HTTP_VERSION_1_1);
               curl_setopt($ch, CURLOPT_POST, 1);
               curl_setopt($ch, CURLOPT_ENCODING, "gzip");
               curl_setopt($ch, CURLOPT_POSTFIELDS, $content);
               $result = curl_exec($ch);
               $info = curl_getinfo($ch);
               curl_close($ch);
           }
       }
       static private function generate_uuid()
       {
           return sprintf('%04x%04x-%04x-%04x-%04x-%04x%04x%04x', mt_rand(0, 0xffff), mt_rand(0, 0xffff), mt_rand(0, 0xffff), mt_rand(0, 0x0fff) | 0x4000, mt_rand(0, 0x3fff) | 0x8000, mt_rand(0, 0xffff), mt_rand(0, 0xffff), mt_rand(0, 0xffff));
       }
   }
   BotTracker::track($_SERVER, array("page_title" => $titulo_Pagina, "http_code" => "200"));
   ?>

   
   
   
   *^{Este código solo recoge datos de GoogleBot y BingBot por no liar a los lectores con una expresión regular para obtenerlos de todos los bots como pueden ser aHrefs, Screaming Frog, Sistrix, etc. Actualizaré en breve el post añadiendo esta regex.}
   
   
   
7. Comprobar en Informes de tiempo real que está funcionando correctamente
   Puedes probarlo usando un Use-Agent que emule a GoogleBot o a BingBot.
   
   

    

   

    

Y ya podemos ver los informes como si cada bot que trackeemos fuese una fuente de tráfico distinta

Click para empliar

Otra vista útil son las URLs que nos dan error 404, como veis se puede segmentar todo (por urls, por carpetas, etc), crear tus propios dashboards, alertas, etc.

OjO debemos cambiar el "200" por el 404 en este código en la url que trate nuestro servidor los errores 404, en mi caso defino el fichero que trata los 404 desde apache y CREO que también se podría hacer con las redirecciones, pero no he comprobado esto.. lo haré ;)

Click para empliar

En próximos posts, esta información, cruzada con la de los usuarios nos pueden hacer ver por qué ciertas secciones no obtienen visibilidad en las serps de Google, o que urls podemos dejar de linkar porque consumen mucho tiempo de crawleo y muy pocas visitas de usuarios, a las que llamo "urls poco eficientes" y creo que son una de las mayores pistas de cómo matar al Oso Panda ;)

Cualquier mejora, cualquier sugerencia, o cualquier duda ya sabéis... comentarlo y compartirlo!!!

PD: Gracias a Fran Horrillo (excelente Product Manager de Motofan.com) por resumir mi caos de código en una simple clase de PHP!!!