Similarité entre deux textes ou deux pages

Comment utiliser l’outil

Collez un texte dans chaque zone, ou indiquez l’adresse d’une page et cliquez sur « Récupérer » : l’outil lit son texte et, par défaut, ne garde que le contenu principal. Une option ajoute les menus, l’en-tête et le pied de page, qui reviennent sur tout un site et rapprochent artificiellement deux pages. Vous pouvez mêler les deux, par exemple une page en ligne en A et le brouillon d’une nouvelle page en B.

Les résultats se mettent à jour pendant la saisie. Les chiffres apparaissent en haut, les passages communs les plus longs sont listés ensuite, puis les deux textes s’affichent avec ces passages surlignés, pour voir d’un coup d’œil ce qui se répète.

Je m’en sers surtout dans deux situations. Sur un site qui a multiplié les pages par ville ou par service à partir d’un même modèle, pour savoir ce qui change vraiment d’une page à l’autre. Et avant de publier, pour vérifier qu’une nouvelle page ne reprend pas trop une page existante du même site.

Les trois mesures et ce qu’elles disent

Le cosinus sur les mots compare les fréquences des mots des deux textes, sans tenir compte de leur ordre. Il vaut 100 % quand les deux textes emploient les mêmes mots dans les mêmes proportions, et 0 quand ils n’ont aucun mot en commun. Il réagit au vocabulaire : deux pages sur le même sujet, écrites séparément, obtiennent souvent un cosinus élevé, parce qu’elles parlent des mêmes choses avec les mêmes termes.

Le Jaccard sur les suites de trois mots découpe chaque texte en séquences de trois mots consécutifs, puis divise le nombre de séquences communes par le nombre de séquences distinctes des deux textes réunis. J’ai retenu des suites de mots plutôt que de caractères pour une raison pratique : de courtes séquences de lettres se retrouvent dans presque tous les textes d’une même langue, si bien qu’un calcul sur les caractères donne une ressemblance élevée à deux textes qui partagent seulement leur sujet. Trois mots qui se suivent à l’identique, en revanche, signalent une phrase reprise ou un modèle réutilisé. Cette mesure suit donc la même logique que les passages communs, sur une échelle plus fine.

Les passages communs sont les suites d’au moins cinq mots présentes à l’identique dans les deux textes. L’outil indique quelle part de chaque texte ils couvrent, séparément pour A et pour B, parce que les deux chiffres diffèrent dès que les textes n’ont pas la même longueur : une courte page reprise en entier dans une longue est couverte à 100 %, alors que la longue ne l’est qu’en partie.

Pour les trois mesures, majuscules, accents et ponctuation sont ignorés. Les mots vides, comme « le », « de » ou « the », sont écartés par défaut du cosinus et du Jaccard, sinon ils rapprocheraient n’importe quels textes de la même langue. Les passages communs les gardent toujours, puisqu’une phrase recopiée les contient aussi. Aucun score global ne combine les trois chiffres : chacun répond à une question différente, et une moyenne masquerait ce qui les distingue.

Ce que dit Google du contenu en double

La page de Google sur la canonicalisation commence par rassurer : « Le contenu en double sur un site est normal et n’enfreint pas les Règles Google concernant le spam ». Google regroupe les pages dont le contenu principal se ressemble fortement et choisit comme canonique celle qu’il juge la plus complète et la plus utile. Les autres restent des doublons, explorés moins souvent.¹ Le guide des systèmes de classement décrit aussi des systèmes de déduplication : pour une recherche, « nos systèmes n’affichent que les résultats les plus pertinents ».²

Le phénomène est ancien et répandu. En 2013, Matt Cutts, alors chez Google, estimait que 25 à 30 % du contenu du web était en double, selon le compte rendu de Search Engine Land. Il précisait que Google ne le traite pas comme du spam, regroupe les doublons et montre le meilleur, tout en se réservant de sanctionner une duplication excessive et manipulatrice.³ En 2015, une étude de Raven Tools menée avec son Site Auditor sur plus de 200 millions de pages trouvait du contenu en double sur 29 % des sites, des title identiques sur 22 % et des meta descriptions identiques sur 17 %, d’après Search Engine Land.⁴

Le risque ordinaire du contenu en double tient donc au choix de la page : si deux de vos pages se ressemblent, Google en montrera une, pas forcément celle que vous préférez, et passera moins souvent sur l’autre.

Pages satellites : quand la ressemblance devient un problème

Les règles de Google concernant le spam visent les pages satellites, créées pour se positionner sur des recherches précises plutôt que pour servir l’internaute. Deux de leurs exemples décrivent des pages qui se ressemblent : « Plusieurs pages ou noms de domaine qui ciblent des régions ou des villes spécifiques, et qui canalisent les internautes vers une seule page », et « Créer des pages sensiblement similaires qui sont plus proches des résultats de recherche qu’une arborescence clairement définie et facile à parcourir ».⁵

John Mueller, de Google, a répondu en 2019 à un site qui prévoyait 1 300 pages ville : « That sounds like doorway pages, not something I’d recommend », soit « cela ressemble à des pages satellites, ce n’est pas quelque chose que je recommanderais », rapporte Search Engine Roundtable.⁶

Les mêmes règles évoquent le contenu produit à grande échelle par des transformations automatisées, « telles que les synonymes, la traduction ».⁵ Une série de pages où seul le nom de la ville change, ou où quelques mots sont remplacés par leurs synonymes, relève de cette logique. L’outil repère bien le premier cas. Pour le second, voyez les limites plus bas.

Quel pourcentage de similarité pose problème ?

Google ne donne aucun pourcentage à partir duquel deux pages seraient des doublons ou des pages satellites. Les chiffres de l’outil mesurent un recouvrement ; ils ne prononcent pas de verdict, et l’outil n’en invente pas. La question à se poser reste celle des règles de Google : la page B apporte-t-elle à son visiteur quelque chose que la page A ne lui donne pas ?

Certains outils d’audit fixent leur propre règle. Le Site Audit de Semrush, par exemple, signale en double les pages similaires à 85 %, et note qu’un en-tête et un pied de page communs, sur des pages qui ont peu de texte, peuvent suffire à déclencher l’alerte.⁷ Ce seuil est une convention propre à l’outil de Semrush. Sa remarque sur l’en-tête et le pied de page explique aussi pourquoi comparer le contenu principal, comme le fait cet outil par défaut, donne une image plus juste.

En pratique, je regarde surtout les passages surlignés. Si ce qui se répète tient au modèle de page (une présentation de l’entreprise, des garanties, un formulaire), et que chaque page a par ailleurs un contenu propre et utile, la ressemblance est normale. Si le texte surligné couvre presque toute la page et que seuls quelques noms changent, les deux pages répondent à la même question.

Que faire de deux pages trop proches

Google laisse le choix de la méthode : sa page sur la consolidation des URL en double présente les redirections et la balise rel="canonical" comme des signaux forts, l’inclusion dans le sitemap comme un signal faible, et n’en rend aucune obligatoire.⁸ Selon le cas :

• Fusionner les deux pages en une seule, plus complète, et rediriger l’ancienne adresse vers elle, quand elles répondent à la même recherche.
• Garder les deux et désigner la principale avec rel="canonical", quand la seconde doit rester accessible, par exemple une version imprimable ou une page filtrée.
• Réécrire la page la plus faible pour lui donner un contenu propre, quand elle cible une vraie recherche distincte : des informations locales précises plutôt qu’un nom de ville remplacé.

La façon dont les pages se citent entre elles compte aussi : les liens internes montrent quelle page vous considérez comme la référence sur un sujet. Mon guide du maillage interne détaille comment organiser ces liens pour que la page principale reçoive l’essentiel des liens. Pour vérifier qu’une page réécrite ne répète pas les mêmes mots à l’excès, passez-la ensuite dans l’outil de densité de mots-clés.

Les limites de l’outil

L’outil compare des mots et ne voit pas les synonymes : deux textes qui disent la même chose avec d’autres mots obtiennent des chiffres faibles, alors que les règles de Google citent justement les synonymes parmi les transformations automatisées.⁵ Il ne compare pas non plus deux langues entre elles : d’après Google, une page traduite n’est un doublon que si son contenu principal reste dans la même langue, seuls les menus et le pied de page changeant.¹

La lecture d’une page en ligne porte sur le code HTML renvoyé par le serveur. Un site qui affiche son texte seulement après l’exécution de JavaScript paraîtra presque vide : copiez alors le texte depuis votre navigateur et collez-le dans la zone prévue. Au-delà de 30 000 mots par texte, la suite n’est pas comparée.

Quand plusieurs dizaines de pages se ressemblent, la comparaison deux par deux atteint vite ses limites. Dans un audit SEO, je compare l’ensemble des pages d’un site pour regrouper celles qui se recoupent et décider, groupe par groupe, de ce qu’il faut fusionner, rediriger ou réécrire.

Questions fréquentes