agentleFS
carlosuhartcarlosuhart/seo-audit-skills/skills/screaming-frog/SKILL.md

screaming-frog

Skill6 starsChanged 15 days agoMITView on GitHub

Screaming Frog en auditorías: modos de crawl (Spider frente a JS), configuración por CMS, reports clave, exportación y cruce con GSC, GA4 y PSI, con sus falsos positivos frecuentes.

The file

We split this skill into the rules it gives an agent

10 rules. About 0 are common, 8 are distinctive, and 2 are very specific to this project.

  • ≈0

    Common · estimate

    Many files like this have a rule of this kind.

  • ≈8

    Distinctive · estimate

    This author's own choices. Worth a look.

  • 2

    Very specific

    Tied to their project's names, files or tools. Probably skip.

  • Common
  • Distinctive
  • Very specific
  1. Distinctive:

    Por qué SF no lo detecta como issue: no hay ningún error que reportar desde su perspectiva — simplemente nunca llegó a esas URLs porque …

    line 293
  2. Very specific:

    Fix: no depende de SF — es un cambio de Desarrollo para que los items del menú sean <a href> reales en el HTML servido, independientemente …

    line 302
  3. Distinctive:

    Use: check what schema types are present on each URL.

    line 330
  4. Distinctive:

    Use: build a canonical map, detect mismatches between URL and canonical.

    line 338
  5. Distinctive:

    Use: bulk-identify pages with noindex, nofollow, or other directives.

    line 345
  6. Distinctive:

    Use: verify OG image is present and consistent across pages.

    line 351
  7. Distinctive:

    Use: bulk-export publishing dates, cross-reference with lastmod in sitemap.

    line 363
  8. Distinctive:

    Use: verify product prices are rendering correctly in Spider mode.

    line 369
  9. Distinctive:

    After crawling, go to the Custom Extraction tab and apply column filters:

    line 379
  10. Very specific:

    Add XPath: //script[@type="application/ld+json"] > Extract HTML

    line 384

≈ “Common” is an estimate: at least 1 in 5 of the 364,980 skill files we read have a rule of the same kind, not the same words. “Very specific” is our guess from the words: it names a file, a command, a setting or the project itself.

Keep what fits and drop the rest. Your version, ready for your agents.
Files
SKILL.md

Screaming Frog SEO Spider — Knowledge Base

Rol en el flujo de auditoría

Screaming Frog es la fuente principal de:

  • Inventario completo de URLs del sitio
  • Status codes (200, 301, 302, 404, 500)
  • Redirects y cadenas de redirect
  • Datos on-page: title, meta description, H1, H2, canonical, meta robots
  • Estructura de enlaces internos
  • Detección de páginas huérfanas (sin enlaces entrantes internos)
  • Imágenes: alt text, tamaño, formato

Limitación fundamental: En modo Spider (sin JS rendering), no ejecuta JavaScript. Todo lo que un CMS genera dinámicamente (títulos via JS, contenido de SPA, lazy load) no será visible. Ver sección Modos de Crawl.

Regla fundamental: Los datos de SF son señales, no conclusiones. Validar issues con WebFetch antes de confirmar, especialmente en sitios con Divi, Elementor o cualquier constructor de páginas con JS.


Modos de Crawl

Spider Mode (defecto)

Comportamiento de Googlebot sin rendering de JS. Rápido, bajo consumo de recursos.

Usar para:

  • Inventario inicial de URLs
  • Status codes y redirects
  • Detección de issues en sitios con HTML estático o WordPress con contenido en PHP

No usar para:

  • Sitios Divi/Elementor donde H1, title o meta description se generan vía JS
  • SPAs o sitios con React/Vue/Angular
  • Cualquier contenido que requiera rendering para ser visible

JavaScript Rendering Mode

SF usa Chromium integrado para renderizar cada página antes de crawlearla. Comportamiento similar a Googlebot con rendering habilitado.

Activar: Configuration > Spider > Rendering > JavaScript

Cuándo usar:

  • Clientes con Divi, Elementor, o cualquier page builder
  • Cuando WebFetch muestra un H1 diferente al que SF detecta en modo Spider
  • Cuando SE Ranking o Semrush reportan keywords para las que la página debería optimizar pero SF no detecta el contenido relevante

Desventaja: 5-10x más lento. Consumo alto de RAM para sitios grandes. En sitios con >5.000 URLs, considerar crawl selectivo (lista de URLs específicas) en lugar de crawl completo en modo JS.

Crawl selectivo (lista de URLs)

Mode > List. Pegar o importar lista de URLs específicas.

Usar para:

  • Auditar solo las URLs que rankean (exportadas desde SE Ranking)
  • Re-auditar URLs corregidas tras implementar fixes
  • Validar un subconjunto antes de un informe

Configuración recomendada por CMS

WordPress + Divi / Elementor

Configuration > Spider:
  - Rendering: JavaScript (obligatorio)
  - JS Rendering Timeout: 10 segundos (default 5 puede cortar rendering)
  - Crawl outside of start folder: unchecked (evita rastrear wp-admin)

Configuration > Exclusions:
  - /wp-admin/
  - /wp-login.php
  - /?s= (búsquedas internas)
  - /feed/
  - /xmlrpc.php

Configuration > Robots.txt:
  - Respect robots.txt: checked

PrestaShop

Configuration > Spider:
  - Rendering: Spider mode (PS genera HTML en PHP, no JS)
  - Excepciones: páginas con filtros de categoría pueden ser JS

Configuration > Exclusions:
  - /module/
  - /?id_currency=
  - /?id_lang= (si multiidioma, crawl por idioma por separado)
  - /order/ (checkout)
  - /cart

Configuration > Custom:
  - Añadir header "Accept-Language: es-ES" para forzar idioma correcto

Reports clave y qué buscar

Response Codes

CodeQué revisar
3xx¿Son redirects temporales (302) que deberían ser permanentes (301)? ¿Hay cadenas?
404¿Están enlazadas desde páginas internas? ¿Hay links rotos relevantes?
500Errores de servidor — prioridad alta, afectan indexación
200 con noindex¿Son intencionales? Páginas importantes con noindex accidental

Redirect chains: Internal > Filter > "Redirect Chains". Cadenas de 3+ redirects pierden PageRank y ralentizan crawl.

Page Titles

Filtros en SF:

  • "Missing" → páginas sin title tag
  • "Duplicate" → mismo title en múltiples URLs (canibalización potencial)
  • "Over 60 characters" / "Under 30 characters" → fuera de rango recomendado

Nota: En Divi/Elementor, SF modo Spider puede reportar titles incorrectos. Validar con WebFetch.

Meta Description

  • "Missing" → no hay meta description (Google generará snippet automático)
  • "Duplicate" → mismo texto en varias páginas
  • "Over 155 characters" → se truncará en SERP

H1

  • "Missing" → validar con WebFetch antes de reportar (puede existir en JS)
  • "Multiple" → más de un H1 en la página (problema real si son redundantes; puede ser intencional en diseños complejos)
  • "Duplicate H1 = Title" → no es un issue, es buena práctica alineación

Canonicals

Tab Canonicals o filtro en Internal:

  • Canonical a URL diferente → ¿es intencional (paginación, filtros) o error?
  • Canonical a URL que devuelve 404 → error crítico
  • Páginas sin canonical → añadir para consolidar señales

Directives (meta robots)

Filtros:

  • "noindex" → listar todas. ¿Son todas intencionales?
  • "nofollow" → ¿hay páginas importantes con nofollow en meta robots por error?
  • Combinar con status 200 → páginas accesibles pero excluidas del índice

Images

  • "Missing Alt Text" → imágenes con rol de contenido sin alt. Imágenes decorativas (CSS background, íconos SVG inline) no aparecen aquí.
  • "Alt Text Over 100 Characters" → alt text demasiado largo (potencial keyword stuffing)
  • "Over 100kb" → imágenes sin optimizar

Detección de páginas huérfanas

Bulk Export > All Inlinks → identificar URLs con 0 inlinks internos.

O: Site Structure > Crawl Depth → páginas a depth muy alta (>4 clicks desde home) tienen menor probabilidad de ser crawleadas regularmente.

Páginas huérfanas importantes: páginas que rankean en SE Ranking pero no tienen enlaces internos → oportunidad de mejora de PageRank interno.


Integración con herramientas externas

SF + Google Search Console

Configuration > API Access > Google Search Console.

Permite añadir columnas de GSC (impresiones, clics, posición) a cada URL en el crawl. Muy útil para priorizar qué issues técnicos afectan páginas con visibilidad real.

SF + Google Analytics / GA4

Configuration > API Access > Google Analytics.

Añade sesiones/usuarios a cada URL. Priorizar correcciones en URLs con tráfico real.

SF + PageSpeed Insights

Configuration > API Access > PageSpeed Insights.

Ejecuta PSI para cada URL crawleada. Lento para sitios grandes — usar solo en crawl selectivo de URLs prioritarias.


Exportación y trabajo con datos

Export útiles para informes

  • Bulk Export > Internal > HTML → todas las URLs HTML con sus datos on-page
  • Bulk Export > Response Codes > 4xx → URLs rotas
  • Bulk Export > Redirects > All Redirects → mapa completo de redirects
  • Bulk Export > Images > Missing Alt Text
  • Reports > Crawl Overview → resumen ejecutivo del crawl

Filtros en columnas

SF permite filtrar cualquier columna. Para encontrar patterns:

  • Title contains "sin título" o "sample page" → restos de instalación WordPress
  • URL contains "?page_id=" → permalinks no configurados en WordPress
  • URL contains "PHPSESSID" → sesión en URL (PrestaShop bug conocido)

Falsos positivos frecuentes en clientes

Issue reportado por SFPor qué puede ser falsoCómo validar
H1 missing (Divi/Elementor)H1 generado en JSSF modo JS o WebFetch
Title duplicado en paginación/categoria/ y /categoria/page/2/¿Tienen canonical a página 1?
Meta description missing (PrestaShop)Generada dinámicamente para categoríasWebFetch directo a la URL
Broken internal linkLink en popup o modal JSInspeccionar manualmente
Carácter Unicode oculto en titleCarácter invisible (U+200B, NBSP) en el titleExportar CSV y abrir con editor hex; reescribir el campo desde cero
H1 tardío en documentoH1 precedido por H2/H3 de widgets — SF solo verifica presencia, no posiciónConsole DevTools: querySelectorAll h1-h6 para ver orden real
Slow page (SF mide TTFB sin caché CDN)Primera petición siempre más lentaPSI real o CrUX
Images missing alt (Divi background)CSS background-image no es <img>No es un issue real de alt text

Patrones que requieren validación manual

Carácter Unicode oculto en title tag

Síntoma en SF: El title aparece correcto en la columna "Title" pero tiene longitud anormal, o Google muestra un snippet diferente al title configurado.

Causa: Carácter invisible como U+200B (zero-width space), U+00A0 (non-breaking space) o U+FEFF (BOM) insertado al copiar/pegar desde Word, Google Docs o un editor rico del CMS.

Detección en SF:

  • Custom Extraction > XPath: //title/text() → exportar y abrir CSV con editor hex
  • O comparar la longitud en caracteres reportada por SF con la longitud visual

Impacto: Google puede truncar el title en el carácter invisible, mostrar snippet alternativo o ignorar el title. Afecta también a herramientas de rank tracking que comparan titles exactos.

Fix: Eliminar el campo de title en el CMS y reescribirlo desde cero sin copiar/pegar.


H1 tardío en el documento HTML (posición >50%)

Síntoma en SF: H1 presente y correcto, pero precedido por múltiples H2, H3 o H4.

Causa: Page builders colocan widgets de contenido (features, sliders, secciones de intro) antes del módulo de título principal. Esos widgets usan encabezados H2/H3 antes del H1 real.

Por qué SF no lo detecta como issue: SF verifica presencia del H1, no su posición en el documento ni la jerarquía relativa al resto de encabezados.

Impacto: Google puede interpretar los encabezados anteriores al H1 como indicadores del tópico principal. La jerarquía semántica queda invertida.

Verificación:

// Chrome DevTools > Console
document.querySelectorAll('h1,h2,h3,h4,h5,h6').forEach((h, i) =>
  console.log(i, h.tagName, h.textContent.trim().slice(0,50))
);

Fix: Reordenar módulos del page builder para que el H1 aparezca en la primera sección visible, o cambiar las etiquetas de los widgets anteriores a <div> con clases CSS.


URLs reales solo alcanzables mediante un dropdown/menú interactivo — SF (incluso en modo JS) no las encuentra

Síntoma: el crawl (incluso con JS Rendering activado) reporta muchas menos URLs que las que el sitio realmente tiene, y las páginas faltantes existen y devuelven 200 al visitarlas directamente.

Causa: las URLs solo aparecen en el HTML tras hacer click en un elemento de UI (dropdown, acordeón, tab) — típico en sitios construidos con React/Vue donde el menú de navegación despliega submenús por JavaScript. SF ejecuta JS y espera a que la página se estabilice, pero no simula clicks arbitrarios de interfaz salvo configuración muy específica (y no por defecto en un crawl estándar).

Por qué SF no lo detecta como issue: no hay ningún error que reportar desde su perspectiva — simplemente nunca llegó a esas URLs porque ningún enlace real las apunta desde donde el crawler sí estuvo.

Verificación: confirmar manualmente en el navegador qué acción de UI revela el enlace, y cruzar contra curl sobre la página que contiene el menú — si el <a href> no aparece ni en el HTML crudo ni en el crawl JS de SF, el enlace no existe hasta la interacción. Ver skill javascript-seo para el método de verificación completo.

Fix: no depende de SF — es un cambio de Desarrollo para que los items del menú sean <a href> reales en el HTML servido, independientemente del estado visual abierto/cerrado del dropdown.


Custom extraction with XPath

Screaming Frog's Custom Extraction feature allows extracting specific elements from the HTML of each crawled page using XPath or CSS selectors. Useful for bulk-extracting data that SF does not report natively.

Activating Custom Extraction

Configuration > Custom > Extraction > Add

Set a name, select XPath or CSS selector, and choose what to extract:

  • Extract inner text: the visible text content of the element
  • Extract HTML: the full HTML of the element
  • Extract attribute: a specific attribute value (href, content, src)

Useful XPath patterns for SEO

Schema JSON-LD — extract all schema types on a page:

//script[@type="application/ld+json"]

Extract: HTML — gives you the full JSON-LD content. Use: check what schema types are present on each URL. Export and review for missing Product schema, incorrect datePublished, etc.

Canonical URL:

//link[@rel="canonical"]/@href

Extract: attribute (href). Gives canonical URL for every page in the crawl. Use: build a canonical map, detect mismatches between URL and canonical.

robots meta content:

//meta[@name="robots"]/@content

Extract: attribute (content). Shows the exact robots directive on each page. Use: bulk-identify pages with noindex, nofollow, or other directives.

OG image URL:

//meta[@property="og:image"]/@content

Use: verify OG image is present and consistent across pages.

First H2 on the page:

(//h2)[1]

Extract: inner text. Useful for auditing heading structure in bulk.

Article published date:

//meta[@property="article:published_time"]/@content

Use: bulk-export publishing dates, cross-reference with lastmod in sitemap.

Price on product pages (WooCommerce):

//p[@class="price"]//bdi

Use: verify product prices are rendering correctly in Spider mode.

Word count approximation (body text only):

//article | //main | //*[@class="entry-content"]

Extract: inner text. Export character count as a proxy for content length.

Combining Custom Extraction with filters

After crawling, go to the Custom Extraction tab and apply column filters:

  • Filter XPath result is empty → pages missing the element
  • Filter XPath result contains a specific string → pages with a particular value

Example workflow — find pages missing schema:

  1. Add XPath: //script[@type="application/ld+json"] > Extract HTML
  2. Crawl site
  3. Custom Extraction tab > filter "Schema JSON-LD" is empty
  4. Export: these URLs have no schema markup at all

Configuración para re-crawl de verificación

Después de implementar correcciones técnicas, crawl selectivo para confirmar:

  1. Mode > List → pegar URLs corregidas
  2. Rendering: mismo modo que el crawl original
  3. Verificar solo las columnas relevantes al fix
  4. Comparar con export anterior del crawl inicial

Límites y performance

Tamaño sitioModo recomendadoTiempo estimado
< 500 URLsJS Rendering completo15-30 min
500-5.000 URLsJS Rendering + exclusiones1-3 horas
> 5.000 URLsSpider mode completo + JS en selectivo3-8 horas
> 50.000 URLsSpider mode, crawl por secciónMúltiples sesiones

RAM recomendada: mínimo 8GB libre para JS rendering en sitios medianos. En Windows, cerrar otras aplicaciones pesadas antes del crawl.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.