Contenu dupliqué

On parle de contenu dupliqué interne quand les doublons se trouvent sur un même site, et de contenu dupliqué externe quand le même texte apparaît sur plusieurs domaines. Dans les deux cas, le moteur de recherche doit décider quelle version montrer. Google appelle ce travail la canonicalisation : il regroupe les pages en double et en retient une, la page canonique, qu'il affiche dans ses résultats.

D'où viennent les doublons

La plupart ne sont pas voulus. Google cite plusieurs causes techniques :

• une même page accessible en HTTP et en HTTPS, ou avec et sans www ;
• des versions distinctes pour mobile et pour ordinateur ;
• des variantes régionales dans une même langue, par exemple pour la France et la Belgique ;
• les options de tri et de filtre d'une page de catégorie, qui créent une URL par combinaison ;
• une version de test ou de démonstration restée ouverte aux robots.

Sur une boutique en ligne, une même fiche produit peut ainsi exister sous /chaussures/basket-blanche, /promotions/basket-blanche et /basket-blanche?couleur=blanc&tri=prix. Trois adresses, un seul contenu. La navigation à facettes multiplie vite ces combinaisons.

Pas de pénalité, mais des effets réels

Une idée reçue tenace veut que Google sanctionne le contenu dupliqué. Google l'a démentie dès 2008 sur son blog officiel, en affirmant qu'il n'existe pas de « pénalité pour contenu dupliqué ». Sa documentation actuelle le confirme : un certain niveau de duplication est normal et n'enfreint pas ses règles contre le spam.

Les doublons ont pourtant des conséquences. Google peut retenir une autre version que celle que le site préfère et l'afficher dans les résultats. Les liens reçus peuvent se répartir entre plusieurs adresses, même si Google tente de les regrouper sur l'URL retenue. Le suivi des performances se complique, puisque les statistiques d'un même contenu se partagent entre plusieurs URL. Enfin, Googlebot passe du temps à explorer des copies, ce qui pèse sur le crawl budget des grands sites.

Quand la duplication devient du spam

La situation change quand la copie sert à manipuler les résultats. Les règles de Google contre le spam visent le scraping, c'est-à-dire la reprise du contenu d'autres sites sans rien y ajouter, parfois sans même citer la source. Elles visent aussi les pages satellites, créées en série pour se positionner sur des requêtes très proches, et l'assemblage de passages pris sur plusieurs pages sans valeur ajoutée. Dans ces cas, l'intention de tromper fait la différence.

Il ne faut pas confondre le contenu dupliqué avec deux notions voisines. Le thin content désigne une page pauvre, qui apporte peu au lecteur, même si son texte est unique. La cannibalisation désigne plusieurs pages différentes qui visent la même requête et se concurrencent.

Comment traiter les doublons

Le choix dépend du besoin de garder ou non les versions secondaires accessibles.

Si une version n'a plus de raison d'exister, une redirection 301 vers la bonne adresse est le signal le plus fort. C'est la solution pour unifier HTTP et HTTPS, ou le www et le sans-www.

Si les variantes doivent rester visibles pour les visiteurs, comme un tri par prix, la balise canonical indique la version de référence. Elle s'ajoute dans le head de chaque variante :

<link rel="canonical" href="https://www.exemple.fr/chaussures/basket-blanche">

Le maillage interne et le sitemap XML doivent ensuite ne citer que les URL canoniques. Google déconseille deux fausses solutions : bloquer les doublons dans le fichier robots.txt, car une URL bloquée peut quand même être indexée sans que son contenu soit lu, et utiliser la balise noindex pour choisir la version canonique, puisqu'elle retire la page de l'index au lieu de la regrouper avec les autres.