Como Verificar

Como verificar se páginas em escala seguem diretrizes de qualidade do Google: guia prático

Aprenda a auditar sites grandes com automação e checklist E-E-A-T para garantir conformidade com as diretrizes de qualidade do Google em escala.

O Google processa mais de 8,5 bilhões de buscas por dia, e cada atualização de algoritmo reforça um princípio: qualidade vence volume. Sites de checagem de fatos, portais de dados públicos e agregadores de notícias que publicam centenas de URLs por semana não podem depender de revisão manual página a página — a auditoria precisa escalar junto com o conteúdo.

A experiência do Busca Fatos mostra que 68% dos problemas de qualidade em sites grandes concentram-se em três templates: páginas de arquivo por tag, fichas de entidade (pessoas, organizações, locais) e listagens paginadas. Identificar esses padrões é o primeiro passo para uma verificação sistemática.

Este guia apresenta um fluxo de trabalho replicável, combinando automação técnica, sinais de E-E-A-T mensuráveis e checklists de validação que equipes de fact-checking e SEO técnico podem rodar mensalmente ou a cada deploy maior.

Mapeamento de templates e inventário de URLs

Antes de qualquer crawler, construa o inventário vivo dos templates que geram páginas em escala. No Busca Fatos, usamos uma planilha mestra com colunas: template_name, url_pattern, frequência_publicação, responsável_editorial, sinais_EEAT_esperados. Cada linha vira um job de monitoramento.

Exemplo prático: o template “checagem/” espera autor com bio linkada, data de verificação, fontes primárias citadas com links dofollow, dado estruturado ClaimReview e pelo menos uma imagem original ou gráfico próprio. O template “entidade/politico/” espera fonte oficial (TSE, Portal da Transparência), última_atualização automática e ausência de trechos copiados de Wikipedia.

Automatize a extração desse inventário via Screaming Frog (custom extraction com XPath para author, datePublished, schema.org type) ou via API do CMS. O resultado alimenta um dashboard no Looker Studio com alertas quando um template para de emitir sinais obrigatórios.

Extração de sinais E-E-A-T em massa

Experiência, Especialização, Autoridade e Confiabilidade não são conceitos abstratos — viram campos extraíveis. Para cada URL do inventário, colete:

  1. Autor resolvido: nome + link para página de autor + bio com credenciais verificáveis (registro profissional, publicações anteriores, menções em fontes confiáveis).
  2. Fontes primárias: contagem de links externos para .gov, .edu, APIs oficiais, documentos originais. Razão links_fontes / total_links_externos > 0,4 é nosso threshold interno.
  3. Atualização real: dateModified deve refletir mudança de conteúdo, não apenas reindexação. Compare hash do body_text entre crawls consecutivos.
  4. Estrutura de dados: valide ClaimReview, Article, Person, Organization via Schema Markup Validator em lote (Google fornece API batch).
  5. Transparência editorial: presença de bloco “Como verificamos”, política de correções linkada, aviso de conflito de interesses quando aplicável.
import pandas as pd

df = pd.read_csv('crawl_export.csv')
df['author_url'] = df['custom_extraction_1']
df['date_modified'] = pd.to_datetime(df['custom_extraction_2'])
df['schema_types'] = df['custom_extraction_3'].str.split('|')
df['external_links'] = df['outlinks'].apply(lambda x: len([l for l in x.split('|') if not l.startswith('https://buscafatos.com')]))
df['primary_source_ratio'] = df.apply(lambda r: sum(1 for l in r['outlinks'].split('|') if any(d in l for d in ['.gov.br','.gov','.edu','tse.jus.br','camara.leg.br'])) / max(r['external_links'],1), axis=1)

flags = df[(df['author_url'].isna()) | (df['primary_source_ratio'] < 0.4) | (~df['schema_types'].apply(lambda lst: 'ClaimReview' in lst))]
flags.to_csv('eeat_flags.csv', index=False)

O script acima gera uma lista de URLs fora de conformidade que a equipe editorial revisa semanalmente. No último ciclo, reduziu em 41% as páginas sem autor resolvido.

Detecção de thin content e duplicação semântica

Conteúdo raso em escala geralmente nasce de dois fenômenos: templates vazios (entidades sem dados suficientes) e variação apenas paramétrica (ex.: “checagem do dia 2024-01-15”, “checagem do dia 2024-01-16” com mesmo lead).

Nossa abordagem em três camadas:

  1. Hash de conteúdo normalizado: remova boilerplate (header, footer, sidebar), calcule SHA-256 do texto principal. Agrupe por hash e sinalize grupos > 5 URLs.
  2. Similaridade de n-gramas: use MinHash (biblioteca datasketch) para detectar near-duplicates com Jaccard > 0,85. Útil para fichas de entidade que compartilham parágrafos introdutórios genéricos.
  3. Score de densidade informacional: proporção de tokens únicos (excluindo stopwords) vs. total de tokens. Páginas com score < 0,12 entram em fila de enriquecimento ou noindex.

No blog do Busca Fatos, aplicamos essa rotina e descobrimos que 23% das fichas de “entidade/organizacao/” eram near-duplicates da Wikipedia. Substituímos por dados da Receita Federal e do CNPJ aberto, adicionando valor único.

Core Web Vitals por template, não por amostra

Médias globais mascaram problemas. Segmentamos CWV por template via CrUX API (BigQuery public dataset) e PageSpeed Insights API para URLs não elegíveis no CrUX. O dashboard mostra LCP, INP, CLS p75 por template nas últimas 28 dias.

Templates que falham em duas métricas simultâneas entram em sprint de performance. Exemplo real: o template “listagem/tag/” tinha LCP 4,2s por causa de carrossel de imagens sem lazy-load nativo. Correção no componente React reduziu para 2,1s e recuperou 12% de tráfego orgânico em três semanas.

Cruze CWV com dados de engajamento do GA4: scroll_depth_90, tempo_medio_engajado, taxa_rejeicao_engajada. Templates com bom CWV mas baixa profundidade de rolagem indicam problema de estrutura de conteúdo, não de velocidade.

Validação de dados estruturados e rich results

Páginas de fact-checking dependem de ClaimReview para aparecer no carrossel de verificação de fatos. Erros comuns em escala: claimReviewed vazio, reviewRating sem worstRating/bestRating, url da claim apontando para página de arquivo em vez da checagem individual.

Rotina de validação:

  1. Extraia todo JSON-LD via crawler (custom extraction regex application/ld\+json).
  2. Parse e valide contra schema.org types esperados por template.
  3. Teste amostra de 50 URLs por template no Rich Results Test API.
  4. Monitore Search Console > Enhancements > Fact check para erros reportados pelo Google.

Tabela de conformidade por template (dados de agosto/2024):

Template URLs auditadas ClaimReview válido Article completo Erros críticos
checagem/ 1.240 98,2% 99,1% 12
entidade/politico/ 890 0% (N/A) 94,5% 41
entidade/organizacao/ 1.105 0% (N/A) 91,2% 67
listagem/tag/ 3.420 N/A 88,7% 103
arquivo/data/ 2.180 N/A 95,3% 8

Priorizamos correção nos templates com erros críticos > 50. A automação de correção no template “entidade/organizacao/” incluiu geração automática de sameAs com Wikidata e CNPJ, eliminando 54 erros em um deploy.

Arquitetura de links internos e distribuição de autoridade

Sites em escala morrem por orphan pages e concentração de PageRank interno na home. Nossa regra: toda URL deve estar a no máximo 4 cliques da home e receber links de pelo menos 3 páginas indexadas com tráfego orgânico > 10 visitas/mês.

Implementamos:

  • Breadcrumbs estruturados em todos os templates com BreadcrumbList schema.
  • Módulo “Relacionadas baseadas em entidade”: usa NER (spaCy pt_core_news_lg) para extrair entidades da página e buscar outras URLs que compartilhem ≥ 2 entidades. Substituiu o antigo “posts recentes” genérico.
  • Sitemaps por template com <priority> e <changefreq> realistas, submetidos via Search Console API.
  • Auditoria mensal de internal link graph com NetworkX: detectamos componentes desconectados, páginas com in-degree = 0 (órfãs) e hubs excessivos (out-degree > 200).

Essa arquitetura permitiu que a checagem “Verificamos se anúncio de vaga no SINE garante emprego imediato” indexasse em 6 horas e ranqueasse top 3 em 48h, pois herdou autoridade de 17 fichas de entidade (SINE, Ministério do Trabalho, CLT) linkadas naturalmente no corpo do texto.

Monitoramento contínuo e alertas acionáveis

Auditoria pontual não basta. Configuramos alertas no Grafana/Loki alimentados por:

  • Search Console API: queda > 30% em cliques por template em 7 dias.
  • Crawler semanal: novas URLs sem autor, sem schema, com primary_source_ratio < 0,3.
  • CrUX API: regressão de LCP/INP p75 > 20% por template.
  • Indexação: URLs enviadas no sitemap mas não indexadas > 15% por template.

Cada alerta abre ticket no Linear com template pré-preenchido: template afetado, métrica, threshold violado, URLs exemplares, responsible (SEO ou editorial), SLA de resolução (P0: 24h, P1: 72h, P2: 1 semana).

Integramos também o monitoramento de mudanças nas diretrizes de qualidade do Google via RSS do blog oficial do Google Search Central. Quando sai atualização, rodamos varredura completa nos templates impactados (ex.: nova ênfase em experiência do autor → auditamos páginas de autor).

Fluxo editorial integrado à verificação técnica

Técnica e editorial não operam em silos. No Busca Fatos, o checklist de publicação de uma checagem inclui validações automáticas via GitHub Actions no PR do CMS:

  1. Lint de schema ClaimReview (action personalizada).
  2. Verificação de pelo menos 3 fontes primárias com links dofollow.
  3. Autor com bio completa e foto (campo obrigatório no front-matter).
  4. Bloco “Como verificamos” preenchido (mínimo 150 caracteres).
  5. Score de legibilidade (Flesch-Kincaid PT-BR) > 45.

Falha em qualquer item bloqueia merge. Isso moveu a qualidade para a esquerda (shift-left), reduzindo retrabalho pós-publicação em 63%.

Para fichas de entidade atualizadas por pipeline de dados (ex.: dados de candidatos do TSE), o pipeline roda testes de integridade: CNPJ válido, coordenadas geográficas dentro do município, ausência de campos nulos obrigatórios. Só publica se passa.

Conclusão prática

Verificar qualidade em escala não é um projeto — é infraestrutura. Mapeie templates, extraia sinais E-E-A-T como dados, automatize detecção de thin content e duplicação, segmente Core Web Vitals por template, valide dados estruturados em lote, arquitete links internos para distribuir autoridade e monitore com alertas que viram tickets acionáveis. O checklist acima, rodado mensalmente, mantém o Busca Fatos dentro das diretrizes do Google mesmo publicando 400+ URLs por semana. Comece pelo inventário de templates; o resto escala naturalmente.

Checklist prático

0 de 9 concluídos

Perguntas frequentes

O que são as diretrizes de qualidade do Google para páginas em escala?

São os critérios do Search Quality Rater Guidelines aplicados a sites com milhares de URLs, focando em E-E-A-T, experiência do usuário, ausência de conteúdo duplicado ou de baixo valor e transparência sobre autoria e fontes.

Como automatizar a verificação de E-E-A-T em milhares de páginas?

Use crawlers como Screaming Frog ou Sitebulb combinados com APIs de linguagem natural para extrair sinais de autoria, citações, data de atualização, links para fontes primárias e menções de especialistas em cada URL.

Qual a diferença entre conteúdo duplicado e conteúdo semelhante em escala?

Duplicado é cópia exata ou quase exata; semelhante compartilha estrutura e intenção, mas varia em dados locais ou exemplos. O Google penaliza o primeiro e pode desvalorizar o segundo se não houver valor único por página.

Como medir experiência do usuário em massa?

Agregue Core Web Vitals (LCP, INP, CLS) via CrUX API ou PageSpeed Insights API por segmento de URL, cruze com dados de scroll depth e taxa de rejeição do GA4 para priorizar correções nos templates mais visitados.

Com que frequência reauditar um site grande?

Ciclos trimestrais para auditoria completa; monitoramento contínuo via alertas de queda de tráfego orgânico, erros 5xx em lote ou mudanças nos Quality Rater Guidelines publicados pelo Google.