Поисковые системы сканируют PDF-файлы и, если да, существуют ли какие-либо правила, которым нужно следовать при их создании?

Веб-сайт, над которым я работаю, содержит несколько сотен PDF-файлов. Я не думаю, что когда-либо видел, чтобы кто-то из них возвращался в поиске, но есть ссылки на него непосредственно с нашего сайта. Они также полны ключевых слов, потому что они являются документами продукта.

Что нам нужно сделать, чтобы Google или другие поисковые системы сканировали их?

Существуют ли жесткие и быстрые правила для создания PDF-файлов, чтобы они больше нравились Google? Например, должен ли я запустить их через ghostscript, чтобы очистить поврежденные теги PDF, которые Adobe создает во время генерации?

Google определенно индексирует PDF-файлы, и вы можете искать только PDF-файлы, добавляя их filetype:pdfв свой поисковый запрос ( пример ).

Я бы сказал, что основные вещи, которые нужно сделать для оптимизации PDF-файла, чтобы его можно было легко проиндексировать:

• Дайте ему осмысленное имя файла
• Заполните все свойства метаданных документа (заголовок, автор, ключевые слова и т. Д.)
• Убедитесь, что ваш PDF состоит из реального текста, а не отсканированных изображений
• Убедитесь, что у вас есть хороший контент с правильным использованием заголовков, так же, как вы бы HTML-документ

Дополнительные советы читайте в статье «Оптимизация PDF-документов» и « Одиннадцать советов по оптимизации PDF-файлов для поисковых систем».

Я не уверен насчет других поисковых систем, но что касается Google, главное правило - не исключать их через robots.txt.

Это было их первое объявление о поддержке поиска в PDF.

Точно так же, как совместимость веб-сайта не повредит вашему SEO, так и доступность вашего PDF не повредит. Встроенная программа проверки доступности Adobe далека от совершенства, но, по крайней мере, исправление этих областей поможет вам начать работу.

Я, вероятно, трачу 5 минут на каждые 4 или 5, в основном текстовые PDF-файлы, которые мы размещаем в Интернете. Время увеличивается равномерно в зависимости от количества страниц и сложности этих страниц.

Предполагая, что у вас есть Adobe Acrobat Pro для редактирования:

• Запустите полную проверку доступности. (Быстрая проверка довольно бессмысленна для меня)
• Обновите метаинформацию в свойствах документа (ключевые слова, тема, язык и т. Д.)
• Убедитесь, что теги добавлены
• Убедитесь, что текст помечен как текст, изображения как изображения, фоновый материал как фон
• Отметьте бесполезный пух (как украшение или дизайн) в качестве фона
• Добавить хороший альтернативный текст к изображениям
• Убедитесь, что в порядке чтения текст упорядочен правильно
• На панели инструментов содержимого убедитесь, что текст не продублирован или неправильно переведен
• Используйте сканер OCR на отсканированных страницах

Для более сложного редактирования, такого как таблицы и действительно странные ошибки Adobe, мы используем плагин CommonLook. CommonLook выполняет свою работу, но я ненавижу ее почти так же сильно, как ненавижу инструменты Adobe.

Ознакомьтесь с инструментом «Задание порядка чтения», панелью инструментов «Теги», панелью «Порядок чтения» и панелью «Содержимое». Моя работа требует полностью соответствующих документов, прежде чем выходить в Интернет, но любой может получить пользу от некоторых простых тегов и свойств документа.