Yandex индексирует HTML плюс определенный список форматов файлов, каждый размером до 10 МБ: PDF; Microsoft Office DOC, DOCX, XLS, XLSX, PPT, PPTX; OpenOffice ODT, ODS, ODP, ODG; текстовые форматы RTF и TXT; а также Flash SWF. Длинные URL — слишком много CGI-параметров или вложенных каталогов — могут препятствовать индексации независимо от формата.
PDF: правила, которые определяют, существует ли документ
- Индексируется только текстовый контент. Текст, представленный в виде изображений, не индексируется.
- У PDF, содержащего только изображения, индексируются только первые три страницы.
- PDF, содержащий текст, индексируется полностью.
На этом промежуточном правиле стоит остановиться подробнее. Сорокастраничный сканированный каталог дает три страницы по сути пустого содержимого. Для любой организации, чья суть заключается в PDF-файлах (производители, профессиональные услуги, государственные органы), разница между сканированным документом и текстовым — это разница между активом и балластом. Запуск OCR для архива часто является самой ценной задачей индексации из всех возможных.
SWF
Индексируется при прямой ссылке или встраивании с помощью object или embed. Yandex индексирует текст из DefineText, DefineText2, DefineEditText и Metadata, а также ссылки из DoAction, DefineButton и DefineButton2. Полезный контент внутри SWF может привести робота обратно на страницу, где он размещен.
Фреймы
frameset и frame разрешены: робот индексирует загруженный контент и определяет исходный документ по содержимому фреймов. Обратите внимание на контраст с iframe, чьи загруженные документы не индексируются.
Что с этим делать
Проведите аудит документов на предмет реальной ценности, убедитесь, что они являются текстовыми, а не сканами, удерживайте их размер в пределах 10 МБ и давайте им чистые короткие URL. Затем относись к ним как к страницам: хорошо названный текстовый PDF-файл, на который ведет ссылка с релевантной страницы, является индексируемым контентом, а 60-мегабайтный скан за параметризованным URL скачивания — нет.
Как мы это применяем
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.
Связанные услуги