Un
scraper es un sitio cuyo contenido es copiado integramente de otros sitios. Para eso, utiliza técnicas o
software específico. No se trata de un simple
copy and paste sino de arácnidos de todo tipo (bots, webbots, crawlers, harvesters, spiders) que recorren la red para extraer contenido. De alguna manera, lo que hacen es similar a lo que realizan los buscadores como
Google o
Yahoo; buscan ciertas palabras claves e indexan las páginas.
"
Contenido duplicado es cuando se tiene una copia exacta de un sitio. Página por página, archivo por archivo, imagen por imagen."
Su existencia ha sido siempre un problema y su extensión se está volviendo ya algo relevante que no sólo afecta a sitios "importantes" sino a todos. Su único fin es ganar dinero, aprovechando el trabajo ajeno y legalmente, no hay mucho que pueda hacerse porque se mueven dentro de una franja dudosa y, desde la práctica, cualquier licencia o advertencia de
copyright no es otra cosa que una entelequia sin valor.
¿Dónde está el problema? Fundamentalmente, como casi todo en este mundo de la internet,
Google es la clave del asunto porque el efecto se ve en los buscadores. Es común que esos sitios aparezcan mejor posicionados que el original y no están solos, lo mismo ocurre con redes sociales como
Menéame o con algunos directorios de
blogs.
Imaginemos un ejemplo extremo. Un
blog recién creado publica un artículo que es reproducido por otro sitio muy bien rankeado. En una búsqueda, aparecerá primero la copia y el original estarará en la página
10 de los resultados.
El buscador, no termina de funcionar correctamente.
Esto se ha transformado en un problema tan serio que el mismo
Google ha publicado
un artículo al respecto donde se dan algunas explicaciones sobre el contenido duplicado.
Lo que dice, es casi obvio pero no importa.
En la mayoría de las ocasiones, el administrador de un sitio no tiene control sobre la distribución sin su consentimiento y, por lo tanto, publicar varias veces el mismo contenido no viola los términos de la
Guía para Webmasters.
Google, a veces es bueno para diferenciar la fuente original de las copias pero a veces no. Si lo hace bien, el posicionamiento de las páginas originales no es afectado; si lo hace mal ... quien sabe.
Cuando se encuentra contenido duplicado en diferentes páginas,
Google trata de determinar cuál es el contenido original y hay dos casos generales: duplicados en el mismo sitio y duplicados en sitios diferentes.
En el primer caso, lo que recomiendan es evitarlo o bloquearlo si es que disponemos de las
herramientas para hacerlo. En
Blogger o cualquier otro servicio gratuito no hay mucho que podamos hacer salvo establecer el dominio preferido (con o sin www). En los
blogs, esas duplicaciones son parte integral del mismo sistema, hay una página inicial, una para cada categoría, una de archivos, una individual.
En el segundo caso, cuando los duplicados están en sitios distintos, las cosas se complican,
Google dice que intenta determinar cuál es la original pero no siempre lo logra. Ellos, recomiendan tratar de colocar algún tipo de marca en los
feeds (un enlace a nuestra
web) pero, eso, depende del servicio que usemos. Si podemos hacerlo, es una forma de aprovechar ese contenido duplicado para beneficio propio. En
WordPress hay
plugins que lo hacen; en
Blogger o
Feedburner, lo desconozco.
Otro método más casero es incluir enlaces a nuestro propio sitio en los artículos pero, eso hay que hacerlo con moderación.
¿Y qué pasa si vemos que nuestro artículo original está relegado y la copia esta mejor posicionada? Nuevamente, en
Blogger, nada; en otros servicios, si podemos acceder al
sitemap deberíamos verificarlo.
Para quienes estén preocupado por el
PageRank o el posicionamiento,
Google aclara que, en la mayoría de los casos, el contenido duplicado no afecta la presencia de un sitio en el índice a menos que se detecte una actitud maliciosa .
Hay un muy buen artículo que podemos ver en
Search Engine Land donde se muestra gráficamente la forma en que los buscadores analizan el contenido duplicado.
Más adelante, encontraremos el código que genera un ícono al lado de cada vínculo y con el cual podemos eliminarlo de manera similar al que vemos en los comentarios. Es algo así:
un ícono que cambia cuando hacemos 
Ahora sí, sólo nos queda cambiar el enlace que por defecto dice 
