搜索引擎怎么处理 PDF 文档

上午在调研一个关键词时，发现首页上有一条 PDF 文档结果，所以我当时就比较好奇搜索引擎算法是怎么处理这种 PDF 文档的。

毕竟相较于传统的 HTML 页面信息，PDF 文档上的信息并不是那么容易能被算法理解。

这也让我想起之前分享过的一个目录站，它的业务模式就是分享各种品牌、各种型号电器的使用说明书与维修手册。

恰好这些资料都是 PDF 文档形式，直接部署在网站页面上，也是能获得不少长尾流量。

所以带着这样的好奇，便开始了解搜索引擎算法是怎么对待网站上的 PDF 文档的。

“And what we do is we are not using a PDF viewer. …What we are doing in Search is we have a component called a converter. And the converter component is part of what happens in indexing. It happens right after rendering and right before something potentially makes it into the index.”

像上面这句 Martin Splitt 的解释，大意是说算法并非单纯将 PDF 当成一个 PDF 阅读器里的文件来理解，而是先用“转换器”把它转换成一种类似 HTML 网页的形式，再把这份转换后的内容交给后续的索引系统处理。

这大概率就意味着 PDF 里的可读取文字和链接是能够被搜索引擎识别，且里面的链接也可以像普通网页链接一样被跟踪。

不过从技术角度出发，这种转换并不一定能完整还原 PDF 的每一处细节，比如 PDF 文档里的图片处理就是个挺麻烦的事。

另外还有一个待明确的点，我一直没找到官方解释，就是 PDF 文档大小会不会影响在索引阶段的“转换”。

要知道绝大多数场景下，PDF 文档要比 HTML 文档大很多，会不会当 PDF 文档的大小超出某个阈值时，这种转换器就不会工作（HTML 内容抓取也存在一个爬虫预算问题）。

基于以上种种信息吧，我觉得至少有两点信息是明确的。

1. 算法能正确处理 PDF 文档中的内容索引，并能对内容进行合理的出词与排名。

2. 技术转换会存在瑕疵，这就使得 PDF 文档远没有 HTML 文档更容易被算法理解。

所以给我的启发就是，页面内容最好是以 HTML 文档为主，如果非要在页面中加入 PDF 元素，最好让其充当辅助说明角色。

毕竟HTML 文档通常更容易在不同屏幕和设备上浏览，同时用户也更容易点击、导航和继续阅读。

比如我现在运营着家具零售网站，在商品详情页面上，可以用正常内容模式部署与商品相关的信息（长描述、短描述、场景问答、客户评价等等）。

此外如果有必要的话，可以用 PDF 文档呈现家具的组装步骤说明与维护说明，以此来加强整个页面的信息密度。