Contenu dupliqué : comment le détecter et le corriger

Contenu dupliqué : ce que Google appelle vraiment un doublon

On parle de contenu dupliqué dès qu’un même texte, ou un texte très proche, est accessible à plusieurs endroits. Deux familles, qui ne se traitent pas du tout pareil : le doublon interne (plusieurs adresses de votre site servent la même chose) et le doublon externe (votre contenu se retrouve sur un autre domaine, ou l’inverse).

Dans la grande majorité des audits que je fais, le problème est interne et personne ne l’a créé volontairement : c’est le CMS, un plugin, une refonte mal finie ou une campagne publicitaire qui ont fabriqué les jumelles dans votre dos.

Il y a une troisième catégorie, la plus sous-estimée : le quasi-doublon. Vingt fiches produits qui ne diffèrent que par la couleur, trente pages « plombier à telle ville » avec le même paragraphe recopié, des descriptions fournisseur reprises à l’identique par tous les revendeurs du secteur. Google ne compare pas des caractères, il évalue si deux pages apportent la même chose au même internaute. Si la réponse est oui, il n’en gardera qu’une.

Il n’existe pas de « pénalité pour contenu dupliqué »

Autant tuer cette idée tout de suite, elle fait perdre un temps fou. Google ne distribue pas de sanction parce que deux de vos URL se ressemblent. Ce qu’il fait est plus banal, et plus embêtant : il regroupe les doublons, en retient un seul pour l’affichage, et met les autres de côté.

Les dégâts sont donc indirects, mais bien réels. Les signaux se dispersent entre plusieurs adresses au lieu de se concentrer sur une seule, le budget de crawl part dans des pages redondantes, et parfois l’URL retenue par Google n’est pas celle que vous auriez choisie. J’ai déjà vu une catégorie principale se faire remplacer dans l’index par sa variante avec un paramètre de tri.

La vraie sanction existe dans un seul cas : le contenu aspiré chez les autres ou produit en masse sans apport, que Google traite comme du spam et décrit dans ses règles anti-spam. Un site normal qui traîne des URL en double n’est pas dans cette case.

Détecter les doublons internes

Trois outils, dans cet ordre. Le premier est gratuit et c’est l’avis de Google lui-même : le rapport « Indexation des pages » de la Search Console. Trois libellés vous intéressent.

• « Page en double, l’utilisateur n’a pas indiqué de version canonique » : le moteur a trouvé des jumelles et a tranché seul, faute de consigne. À corriger.
• « Page en double : Google n’a pas sélectionné la même page canonique que l’utilisateur » : vous avez donné une consigne, il ne l’a pas suivie. C’est le plus instructif, il révèle une contradiction entre vos signaux (maillage, sitemap, redirections).
• « Autre page avec balise canonique correcte » : tout va bien, rien à faire.

Ensuite le crawl. Screaming Frog, Sitebulb ou équivalent vous sortent ce que la Search Console ne montre pas : les titles et meta descriptions en double, qui sont le meilleur indice indirect de pages jumelles, les pages sans canonical ou avec plusieurs, et un rapport de similarité de contenu dont vous réglez vous-même le seuil pour attraper les quasi-doublons. Ce repérage fait d’ailleurs partie des passages obligés quand on veut savoir comment faire soi-même un audit SEO technique avec des outils gratuits.

Le troisième outil ne coûte rien et je l’utilise tous les jours : prenez une phrase entière d’un de vos textes, collez-la entre guillemets dans Google, précédée de site:votredomaine.fr. Si trois adresses remontent, vous avez trois exemplaires. Faites le test sur l’accueil, une fiche produit et un article.

Les motifs qui reviennent le plus souvent, à vérifier en priorité :

• Le domaine accessible avec et sans www, en http et en https : quatre adresses pour une seule page d’accueil.
• Le slash final présent ou absent, les majuscules dans l’URL, les doubles slashs.
• Les paramètres : ?utm_source=, filtres, tri, identifiants de session, pagination de facettes.
• Sous WordPress, les pages de tags et d’archives qui affichent les articles en entier au lieu d’un extrait.
• Un produit rangé dans plusieurs catégories, donc joignable par plusieurs chemins d’URL.
• Le site de préproduction indexé par accident : doublon parfait de l’intégralité du site réel.

Si c’est votre contenu qui a été recopié ailleurs

Même méthode, sans l’opérateur site:. Une phrase entre guillemets dans Google, et vous voyez qui a repris votre texte. Copyscape fait le travail en série si vous avez beaucoup de pages à surveiller.

Dans la plupart des cas, respirez : Google identifie plutôt bien la source d’origine, surtout quand votre page est la plus ancienne, la mieux liée et déjà indexée. Si un site plus solide vous passe devant avec votre propre texte, deux leviers : demander le retrait ou l’ajout d’un lien vers l’original, ou déposer une notification pour atteinte au droit d’auteur auprès de Google. Et pour une syndication que vous acceptez (un partenaire qui republie vos articles), négociez une canonical vers votre URL, ou au minimum un lien de source visible.

Corriger : un remède par situation

C’est ici que ça se joue, et c’est ici que la plupart des gens se plantent, en appliquant partout la même recette. La bonne question n’est pas « comment supprimer ce doublon », mais « est-ce que ces deux adresses doivent rester accessibles à un visiteur ? ».

• Les deux URL gardent une utilité (fiche produit dans deux rayons, filtre pratique, lien de campagne avec paramètre) : balise canonical vers la version de référence. C’est le cas le plus fréquent, et il vaut la peine de comprendre à quoi sert précisément la balise canonical et comment l’utiliser sans se tromper, parce qu’une canonical mal posée ne fait rien du tout.
• Une des deux adresses n’a plus de raison d’exister (ancienne URL, refonte, passage en HTTPS, variante www, doublon pur) : redirection permanente. Elle est bien plus contraignante pour Google qu’une balise, elle transfère l’historique et elle fait disparaître le doublon pour de bon. La marche à suivre est détaillée dans ce qu’est une redirection 301 et comment la mettre en place proprement.
• Deux contenus différents qui visent le même besoin et se marchent dessus dans les résultats : fusion éditoriale. On garde la page la plus forte, on y rapatrie ce qui manque, on redirige l’autre. Aucune balise ne corrigera un problème de plan de site.
• Pages techniques sans intérêt pour un internaute (résultats de recherche interne, panier, combinaisons de filtres infinies) : noindex. Sans les bloquer en même temps dans le robots.txt, sinon le robot ne lira jamais la consigne.
• Textes fournisseur recopiés, pages « ville » clonées, variantes cosmétiques : réécriture. Pas de raccourci technique pour celui-là.

La règle de tri tient en une phrase : canonical quand les deux pages doivent vivre, redirection quand l’une doit mourir, réécriture ou fusion quand le doublon vient du texte et pas de l’URL.

Deux réglages de fond à traiter avant tout le reste : forcer côté serveur une seule version du domaine (une seule combinaison protocole plus sous-domaine, tout le reste en redirection), puis faire pointer maillage interne et sitemap XML uniquement vers les URL retenues. Un sitemap qui liste les deux variantes annule la moitié de votre travail, et la documentation Google sur la consolidation des URL en double le rappelle sans détour.

Les pièges que je retrouve à chaque audit

Le grand classique : la canonical existe, mais elle pointe vers une page en noindex, vers une 404, ou vers l’adresse de préproduction restée dans le thème après la mise en ligne. Vous croyez avoir corrigé, vous avez juste déplacé le problème.

Deuxième piège, très répandu : le doublon bloqué dans le robots.txt. Si le robot n’a pas le droit de charger la page, il ne verra ni la canonical ni le noindex qu’elle contient. Le blocage vient après la consolidation, jamais à la place.

Troisième piège, éditorial celui-là : réécrire en changeant trois synonymes. Un texte paraphrasé reste un quasi-doublon, parce que Google compare le sens et l’intention, pas le vocabulaire. Si la seule différence entre deux pages est le nom d’une ville, alors il n’y a qu’une page, et c’est tout ce que le moteur en retiendra.

Vérifier que la correction a bien pris

Rien n’est réglé le jour du déploiement. Il faut le temps que Google recrawle, recroise les signaux et consolide : quelques semaines sur un petit site, davantage sur un gros catalogue, et sans calendrier garanti.

Ce que je surveille ensuite : le nombre d’URL classées en double dans le rapport d’indexation, qui doit baisser ; la concordance entre canonique déclarée et canonique retenue sur un échantillon de pages, via l’inspection d’URL ; la disparition des anciennes adresses avec une recherche site: ; et surtout, dans les logs serveur, la fin des passages répétés de Googlebot sur les adresses redondantes. Ce dernier signal est le plus fiable de tous. Quand le robot arrête de tourner en rond, votre budget de crawl repart vers les pages qui rapportent.