Buscador de enlaces rotos

Los enlaces se rompen sin que nadie los toque

Cuando añades un enlace, cuentas con el servidor de otra persona, o con un archivo que quizá renombres el año que viene. Tu página solo guarda la dirección. El destino se mueve, un dominio no se renueva, una imagen se borra de la biblioteca de medios, y tu página sigue viéndose exactamente igual en tu editor. La única persona que se entera es la que hace clic.

Este deterioro lento se llama link rot (podredumbre de enlaces) y nunca se detiene. Un estudio de 2024 del Pew Research Center encontró que el 38 % de las páginas web que existían en 2013 ya no se podían alcanzar diez años después. Para saber cómo está tu sitio, alguien tiene que probar cada enlace. Es un trabajo miserable para una persona y fácil para un programa.

Cómo avanza el rastreo

1. Descargamos la página de inicio y leemos robots.txt. Las rutas que prohíbe se dejan en paz.
2. Se recoge cada <a href> y cada <img src>, incluidas las imágenes de carga diferida en data-src. Los enlaces mailto:, tel: y javascript: se omiten, y el #fragmento se descarta.
3. Los enlaces a páginas del mismo host entran en la cola para leerse por turnos. example.com y www.example.com cuentan como un solo sitio. Los demás subdominios no.
4. Todo lo demás (otros sitios, PDF, imágenes, descargas) solo se prueba. Empezamos con una petición HEAD, que pide el estado sin el cuerpo, y recurrimos a un GET normal si el servidor rechaza HEAD.
5. Las redirecciones se siguen a mano, hasta cinco saltos. Un sexto salto, o una dirección que se redirige a sí misma, se informa como un bucle.

El rastreo se detiene tras 100 páginas leídas o 600 peticiones. Abre como máximo cuatro conexiones a la vez con un host, espera seis segundos una respuesta y prueba cada dirección una sola vez, sin importar cuántas veces esté enlazada. Cuando una ruta aparece con más de cinco cadenas de consulta distintas, las variantes sobrantes se ignoran. Si no, un calendario o una página de filtros se comería todo el presupuesto.

Cómo leer las cuatro listas

Enlaces rotos

El destino respondió con un error, o no respondió. 404 y 410 significan que la página ya no existe. 500 a 504 apuntan a un servidor que falla y pueden ser temporales. «Nombre de dominio no encontrado» suele significar que todo el sitio ha cerrado. «Certificado SSL no válido» significa que los navegadores muestran una advertencia antes de la página.

Imágenes rotas

Las mismas causas, pero lo que ve el visitante es un marco vacío o un icono de imagen rota.

Redirecciones internas

Enlaces a tus propias páginas que solo funcionan a través de una redirección. Nada está roto, pero cada clic cuesta un viaje de ida y vuelta extra, y alguien puede quitar la redirección algún día.

A revisar a mano

El destino respondió 401, 403, 429 o 999, así que rechaza a los robots o pide iniciar sesión. LinkedIn, Facebook y muchos sitios con protección contra bots lo hacen. Tendrás que abrir el enlace tú mismo para salir de dudas.

Cada fila lista hasta cinco páginas donde aparece la dirección, y los fallos que más se repiten van primero. Un enlace roto en el pie de página aparece en todas las páginas, y lo arreglas en un solo lugar.

Cómo reparar lo que encuentra el rastreo

• Tu propia página se movió. Corrige el enlace y luego añade una redirección permanente para quienes llegan desde otros sitios. Apache: Redirect 301 /old-page/ /new-page/. nginx: location = /old-page/ { return 301 /new-page/; }.
• Otro sitio movió su página. Busca en ese sitio la nueva dirección. Si el contenido ya no está, enlaza una copia en la Wayback Machine (web.archive.org) o quita el enlace.
• Imagen que falta. Súbela de nuevo con el mismo nombre, o edita la página.
• Redirección interna. Sustituye la dirección del enlace por la final que muestra el informe.