Google explica como eles classificam PDFs e o que isso significa para SEO/GEO

John Mueller, do Google, discutiu recentemente como o Google processa PDFs para fins de classificação, como os indexa para uso no modo AI e pesquisa regular e por que é capaz de usar links em PDFs da mesma forma que faz para páginas HTML normais.

PDFs são convertidos para HTML

Martin Splitt, do Google, explicou que o Google usa um conversor para transformar PDFs em HTML e, em seguida, indexa a conversão HTML, não o PDF real. Ele também expressou incerteza sobre se as imagens em PDFs serão ou não indexadas. Ele pareceu inclinar-se para a possibilidade de não serem indexados e disse que esse estado pode mudar em algum momento no futuro.

Ele explicou:

“E o que fazemos é não usar um visualizador de PDF. …O que estamos fazendo na Pesquisa é que temos um componente chamado conversor. E o componente conversor é parte do que acontece na indexação. Acontece logo após a renderização e logo antes de algo potencialmente entrar no índice.

Uma das coisas que fazemos é observar o formato. Temos conversores para vários formatos diferentes, como arquivos rich text, arquivos de documentos, planilhas do Excel e documentos do Lotus Notes por algum motivo. Mas também um deles é um conversor de PDF. Então, estamos pegando isso e produzindo uma versão HTML para que o processamento no restante do pipeline funcione praticamente apenas com HTML.

Obviamente, isso exclui imagens e vídeos e blá, blá, eles vão para pipelines ligeiramente diferentes, mas o pipeline da web normal usa HTML para tudo.”

Mais tarde ele explicou como o Google lida com imagens em PDFs:

“Acho que podemos realmente pegá-los. Não tenho certeza de como os processaríamos, porque a maneira como normalmente os processamos é fornecendo os URLs da imagem ao pipeline de pesquisa de imagens que trabalha com isso.

Aqui não temos realmente um URL porque faz parte do PDF. Então, acho que entendemos que existe uma imagem, mas não acho que possamos realmente processá-la como uma imagem normal para pesquisa de imagens. Mas isso pode mudar ou pode ter mudado; esse é meu entendimento atual de como esse pipeline funciona.”

Links funcionam em arquivos PDF

O Google também confirmou que os links incorporados nos PDFs funcionam como links porque é a versão HTML do PDF que é indexada, o que inclui os links que podem ser seguidos como links normais.

John Mueller comentou:

“Então, basicamente, quando o Google vê um arquivo PDF, ele o converte em algo com o qual tem mais prática, uma espécie de página da web. E acho que é também por isso que coisas como links também funcionam em arquivos PDF.”

Divisão respondeu:

“Sim. Porque nós o convertemos em uma página HTML e então o resto dos nossos sistemas dizem: “Eu sei como lidar com uma página HTML”, e eles simplesmente fazem o que querem.

…Portanto, muitas coisas podem ser incorporadas em um PDF. E quando o convertemos, nós o convertemos para uma representação em HTML que seja tão fiel quanto possível ao formato original. Assim podemos ver coisas como links, por exemplo, de PDFs.”

Limites de tamanho de PDF do Google

Mueller, do Google, reconheceu que eles não sabem tudo e que estão tentando explicar a indexação e classificação de PDFs de acordo com o que sabem.

Ele perguntou sobre os limites de tamanho de arquivo PDF.

“Sei que algumas dessas coisas talvez simplesmente não saibamos os detalhes, então estamos tentando extrapolar o que sabemos. Você sabe em relação aos limites, como limites de tamanho, como isso funciona com PDFs?”

Splitt respondeu que o limite de arquivos para PDFs é maior da mesma forma que os limites de tamanho de vídeo são maiores, mas ele não sabia o limite exato. Ele acrescentou acreditar que os limites normais do HTML se aplicam depois que o PDF é convertido, o que é uma informação útil.

Ele explicou:

“Provavelmente a busca do PDF tem um limite diferente do limite da página da web, mas provavelmente há um limite para o tipo de representação da página da web.

Não tenho tanta certeza de onde esses limites são aplicados. Eu sei que os limites de HTML que discutimos recentemente no podcast e também na documentação vêm do componente de rastreamento do pipeline. Portanto, quando os rastreamos, como temos que rastrear um documento PDF e os PDFs podem ser muito grandes, presumo que temos um limite de arquivos maior, assim como fazemos para vídeos e imagens. Mas não sei o limite específico para arquivos PDF.”

Mais tarde, Splitt disse que qualquer que seja o limite de tamanho hoje, poderá mudar no futuro se detectarem que as pessoas estão publicando PDFs maiores.

PDFs podem ser classificados no modo de pesquisa e IA

Martin Splitt também confirmou que os PDFs podem ser classificados no modo AI pelo mesmo motivo que podem ser classificados na pesquisa normal. O Google converte os arquivos em HTML e depois os indexa dessa forma.

Mas ele também mencionou que nem todos os PDFs podem ser classificados para o texto porque alguns PDFs são como imagens. Ele sugeriu que se você puder destacar e copiar o texto do PDF para um arquivo de texto, o Google poderá converter o PDF em HTML para fins de classificação.

Splitt explicou as classificações de PDF do Google em resposta à questão de saber se os editores de sites deveriam criar PDFs:

“Sim, claro, se o seu conteúdo o justificar. Por exemplo, se você tiver requisitos específicos de formatação, ou se precisar que esse material pareça muito, muito específico na impressão, ou se precisar de coisas interativas, como formulários.

Portanto, se você administra um alojamento de férias e está publicando um formulário que facilita o processamento de pessoas que estão se registrando para ficar em seu alojamento de férias, faça isso absolutamente como um PDF, se isso ajudar você.

Obviamente HTML é um formato muito flexível e eu prefiro isso, mas se você tiver um PDF por qualquer motivo, vá em frente. Muitas vezes, os restaurantes fazem com que as impressoras criem os menus que eles também imprimem fisicamente em papel como um PDF, e você pode simplesmente carregá-los em seu site. É melhor do que não ter seu cardápio no site.

…a indexação e a classificação são praticamente iguais a qualquer outro documento.”

Mueller acrescentou:

“Portanto, eles também podem aparecer nas visões gerais da IA, no modo IA e em todas essas coisas.”

HTML é provavelmente melhor para SEO do que PDF

Mais tarde, no podcast, Mueller expressou que o HTML normal é provavelmente melhor para fins de classificação. Isso não diminui o poder de classificação dos PDFs, mas há um ângulo pragmático em tornar mais fácil para os mecanismos de pesquisa classificarem documentos da web.

Ele primeiro expressou essa ideia ao falar sobre Menus:

“Eu vejo isso de forma um pouco pragmática. Se a opção for ter um menu em PDF ou não tiver nenhum menu, então sim, eu preferiria ter um menu. Mas se a opção for um menu em PDF em vez de uma página da web normal, eu gosto de páginas da web normais porque é mais fácil interagir com elas.”

Mais tarde, ele se referiu ao comentário de Martin sobre a indexabilidade dos PDFs:

…Do ponto de vista de SEO, se for um texto indexável – se você tentar aquele truque que Martin mencionou, selecionando tudo e colocando em um editor de texto – então podemos usá-lo para pesquisa. Não é que do ponto de vista de SEO seja impossível.

Mais adiante, ele expressou a ideia de que se o proprietário de um site pode fazer isso em HTML, então faça isso:

…se você tiver algo que possa colocar em HTML e for igual aos seus PDFs, isso tornará tudo um pouco mais fácil.”

O último ponto sobre como tornar tudo um pouco mais fácil atinge o cerne fundamental do que é SEO, que é tornar mais fácil para os mecanismos de pesquisa rastrearem e indexarem o conteúdo do site.

Ouça o podcast Search Off The Record aqui:

Imagem em destaque por Shutterstock/thodonal88