Yandex indexa HTML además de una lista definida de formatos de archivo, cada uno de hasta 10 MB: PDF; Microsoft Office DOC, DOCX, XLS, XLSX, PPT, PPTX; OpenOffice ODT, ODS, ODP, ODG; formatos de texto RTF y TXT; y Flash SWF. Las URL largas (demasiados parámetros CGI o directorios anidados) pueden impedir la indexación independientemente del formato.
PDF: las reglas que deciden si un documento existe
- Solo se indexa el contenido de texto. El texto representado como imágenes no.
- Un PDF que contenga solo imágenes solo tiene indexadas sus primeras tres páginas.
- Un PDF que contiene texto se indexa por completo.
Vale la pena detenerse en esa regla intermedia. Un catálogo escaneado de cuarenta páginas aporta tres páginas esencialmente vacías. Para cualquier organización cuya sustancia se encuentre en los PDF (fabricantes, servicios profesionales, organismos públicos), la diferencia entre un documento escaneado y uno basado en texto es la diferencia entre un activo y un peso muerto. Ejecutar OCR en un archivo suele ser el trabajo de indexación de mayor valor disponible.
SWF
Se indexa cuando está directamente enlazado o incrustado con object o embed. Yandex indexa texto de DefineText, DefineText2, DefineEditText y Metadata, y enlaces de DoAction, DefineButton y DefineButton2. El contenido útil dentro de un SWF puede guiar al robot de vuelta a la página que lo aloja.
Marcos
frameset y frame están permitidos: el robot indexa el contenido cargado e identifica el documento fuente a partir de los contenidos del marco. Observe el contraste con iframe, cuyos documentos cargados no se indexan.
Qué hacer con esto
Audite qué documentos tienen verdadero valor, confirme que son texto en lugar de escaneos, manténgalos por debajo de los 10 MB y proporcióneles URL cortas y limpias. Luego trátelos como páginas: un PDF con texto y buen nombre enlazado desde una página relevante es contenido indexable, y un escaneo de 60 MB detrás de una URL de descarga parametrizada no lo es.
Cómo lo aplicamos
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.
Servicios relacionados