Yandex indexe le HTML ainsi qu’une liste définie de formats de fichiers, chacun jusqu’à 10 Mo: PDF ; Microsoft Office DOC, DOCX, XLS, XLSX, PPT, PPTX ; OpenOffice ODT, ODS, ODP, ODG ; formats texte RTF et TXT ; et Flash SWF. Les URL longues (trop de paramètres CGI ou de répertoires imbriqués) peuvent empêcher l’indexation quel que soit le format.
PDF : les règles qui décident si un document existe
- Seul le contenu textuel est indexé. Le texte représenté sous forme d’images ne l’est pas.
- Un PDF contenant uniquement des images n’a que ses trois premières pages indexées.
- Un PDF contenant du texte est indexé en intégralité.
Cette règle intermédiaire mérite qu’on s’y attarde. Un catalogue numérisé de quarante pages fournit trois pages essentiellement vides. Pour toute organisation dont la substance repose sur des PDF (fabricants, services professionnels, organismes publics), la différence entre un document numérisé et un document textuel est la différence entre un actif et un poids mort. L’exécution d’un OCR sur une archive est souvent la tâche d’indexation à plus forte valeur ajoutée disponible.
SWF
Indexé lorsqu’il est directement lié ou intégré avec object ou embed. Yandex indexe le texte provenant de DefineText, DefineText2, DefineEditText et Metadata, ainsi que les liens de DoAction, DefineButton et DefineButton2. Le contenu utile à l’intérieur d’un SWF peut ramener le robot vers la page qui l’héberge.
Cadres
frameset et frame sont autorisés : le robot indexe le contenu chargé et identifie le document source à partir du contenu des cadres. Notez le contraste avec iframe, dont les documents chargés ne sont pas indexés.
Que faire de cela
Vérifiez quels documents ont une réelle valeur, confirmez qu’ils sont au format texte plutôt qu’en images numérisées, maintenez-les sous 10 Mo et donnez-leur des URL courtes et propres. Traitez-les ensuite comme des pages : un PDF textuel bien nommé et lié depuis une page pertinente est un contenu indexable, tandis qu’une numérisation de 60 Mo cachée derrière une URL de téléchargement paramétrée ne l’est pas.
Comment nous l'appliquons
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.
Services associés