Yandex indexiert HTML sowie eine definierte Liste von Dateiformaten, jeweils bis zu 10 MB: PDF; Microsoft Office DOC, DOCX, XLS, XLSX, PPT, PPTX; OpenOffice ODT, ODS, ODP, ODG; Textformate RTF und TXT; sowie Flash SWF. Lange URLs – zu viele CGI-Parameter oder verschachtelte Verzeichnisse – können die Indexierung unabhängig vom Format verhindern.
PDF: Die Regeln, die bestimmen, ob ein Dokument existiert
- Nur Textinhalte werden indexiert. Als Bilder dargestellter Text wird nicht indexiert.
- Ein PDF, das nur Bilder enthält, lässt nur seine ersten drei Seiten indexieren.
- Ein PDF, das Text enthält, wird vollständig indexiert.
Bei dieser mittleren Regel lohnt sich ein Innehalten. Ein vierzigseitiger gescannter Katalog liefert drei Seiten im Wesentlichen ohne Inhalt. Für jede Organisation, deren Substanz in PDFs liegt – Hersteller, professionelle Dienstleister, öffentliche Stellen –, ist der Unterschied zwischen einem gescannten Dokument und einem textbasierten der Unterschied zwischen einem Asset und totem Gewicht. Die Durchführung von OCR über ein Archiv hinweg ist oft der wertvollste einzelne Indexierungsauftrag überhaupt.
SWF
Wird indexiert, wenn direkt verlinkt oder eingebettet mit object oder embed. Yandex indexiert Text aus DefineText, DefineText2, DefineEditText und Metadatasowie Links aus DoAction, DefineButton und DefineButton2. Nützliche Inhalte innerhalb einer SWF können den Roboter zurück zu der Seite führen, die sie hostet.
Frames
frameset und frame sind zulässig: Der Roboter indexiert den geladenen Inhalt und identifiziert das Quelldokument aus dem Frame-Inhalt. Beachten Sie den Kontrast zu iframe, dessen geladene Dokumente nicht indexiert werden.
Was damit zu tun ist
Prüfen Sie, welche Dokumente echten Wert besitzen, bestätigen Sie, dass es sich um Text statt um Scans handelt, halten Sie sie unter 10 MB und geben Sie ihnen saubere, kurze URLs. Behandeln Sie sie dann wie Seiten: Ein gut benanntes, textbasiertes PDF, das von einer relevanten Seite verlinkt ist, ist indexierbarer Inhalt, während ein 60-MB-Scan hinter einer parametrisierten Download-URL dies nicht ist.
So setzen wir das um
The three-page rule for image-only PDFs is the fact we most often use to justify an OCR pass. Clients with technical documentation archives usually assume the whole library is searchable; in practice each scanned document contributes almost nothing. Checking is trivial — try selecting text in the PDF — and the fix converts a dead archive into indexable content.
Verwandte Leistungen