Yandex, HTML’in yanı sıra her biri 10 MB’a kadar olan belirli dosya formatlarını dizine ekler: PDF; Microsoft Office DOC, DOCX, XLS, XLSX, PPT, PPTX; OpenOffice ODT, ODS, ODP, ODG; RTF ve TXT metin formatları; ve Flash SWF. Çok fazla CGI parametresi veya iç içe dizin içeren uzun URL’ler, formattan bağımsız olarak dizine eklemeyi engelleyebilir.
PDF: bir belgenin var olup olmayacağına karar veren kurallar
- Yalnızca metin içeriği dizine eklenir. Görsel olarak sunulan metinler eklenmez.
- Sadece görsellerden oluşan bir PDF’in yalnızca ilk üç sayfası dizine eklenir.
- Metin içeren bir PDF’in tamamı dizine eklenir.
Bu orta kural üzerinde durmakta fayda var. Kırk sayfalık taranmış bir katalog, aslında hiçbir şey ifade etmeyen üç sayfalık bir katkı sağlar. İçeriği PDF’lerde yer alan üreticiler, profesyonel hizmetler ve kamu kurumları gibi her kuruluş için taranmış bir belge ile metin tabanlı bir belge arasındaki fark, bir varlık ile ölü ağırlık arasındaki farktır. Bir arşiv üzerinde OCR çalıştırmak, genellikle mevcut olan en yüksek değerli dizine ekleme işidir.
SWF
Doğrudan bağlantı verildiğinde veya object ya da embed ile gömüldüğünde dizine eklenir. Yandex, DefineText, DefineText2, DefineEditText ve Metadata içindeki metinleri ve DoAction, DefineButton ve DefineButton2 içindeki bağlantıları dizine ekler. Bir SWF içindeki faydalı içerik, robotu onu barındıran sayfaya geri yönlendirebilir.
Çerçeveler (Frames)
frameset ve frame kullanımına izin verilir: robot yüklenen içeriği dizine ekler ve kaynak belgeyi çerçeve içeriklerinden tanımlar. Yüklenen belgeleri dizine eklenmeyen iframe ile olan farka dikkat edin.
Bununla ne yapılmalı
Hangi belgelerin gerçek değer taşıdığını denetleyin, bunların tarama değil metin olduklarını doğrulayın, 10 MB’ın altında tutun ve onlara temiz, kısa URL’ler verin. Ardından onlara sayfa muamelesi yapın: iyi adlandırılmış, metin içeren ve ilgili bir sayfadan bağlantı verilmiş bir PDF dizine eklenebilir bir içeriktir; parametreli bir indirme URL’sinin arkasındaki 60 MB’lık bir tarama ise değildir.
Biz bunu nasıl uyguluyoruz
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.
İlgili hizmetler