产品 PDF 文档怎么做 SEO 吃 AI 搜索流量

下面全部是动作，第一条五秒钟就能做完

先做一个五秒钟的测试

打开终端，装个 poppler，然后跑这一行。

pdftotext -layout 产品手册.pdf -

Mac 用 brew install poppler。Windows 用 scoop install poppler，或者去官网下预编译包。Linux 上一般自带。

不加 -layout 是按文件内部的绘制顺序抽，加了 -layout 是尽量按版面的位置还原。两版都跑一遍对照着看，第一次跑就能看出问题在哪。

要看的只有三件事。

字是不是乱序了。两栏排版抽出来会左右交错，一句话被另一栏插断。

表格是不是散架了。单元格变成一串数字，行和行对不上。

每页开头是不是都重复着同一行。页眉页脚会被当成正文。

不想装东西也行。用 Chrome 打开那个 PDF，全选，复制，粘到记事本里。你看到的基本就是解析器看到的东西。

为什么这一步最关键。2026 年 10 月，Google 在自家播客里把这条管道讲清楚了：PDF 进来先被转成 HTML，后面所有的环节只认 HTML。

你在 PDF 里做的所有排版功夫，都得先过这道转换器。转换器读不出来的，等于不存在。

别用任何 SEO 工具查这一项。工具会告诉你「可索引」，转换器不会。

把每页重复的那行字清掉

页眉页脚对人来说是装饰，对解析来说是毒。

一份三十页的手册，每页顶上印着「某某公司 · 2026 产品手册 · 第 N 页」。这句话会被切进每一个文本块。

分块的常规大小是五百个词上下，Google 自家文档里给解析器的默认值就是五百。二十个字的页眉塞进去，听着不多，但有两个副作用。

每个块的开头都是同一句废话。模型判断这块讲什么的时候，先读到的是它。

页码是数字，会被当成内容。三十页就是三十个孤零零的数字，散在各个块里。

做法很简单。导出之前，在源文件里把页眉页脚删掉。页码让阅读器自己显示，不要印在页面上。品牌名只在封面和封底出现。

源文件丢了也有救。Acrobat 的「编辑 PDF」能直接删掉那行字。删完重新跑一次第一节的测试，确认没删坏。

如果手册是用 Word 或者 InDesign 排的，去改母版页，那里改一次全本都生效。别一页一页手动删，三十页删下来一定会漏。

顺带把文档属性里的标题也改一下。默认值经常是「Microsoft Word - 未命名2.docx」这种东西，它会跟着文件一路走。

每页给一个自己的小标题

这条最反直觉，也最容易被跳过。

分块器不是按固定字数硬切的。2026 年 Google 公开的文档处理说明里，主流做法是按版面元素切：标题，列表，表格各自成块，并且会把「祖先标题」一起带进块里，免得切出来的块失去上下文。

问题是，产品手册里一个章节往往横跨五六页，章节标题只印在第一页。

后面那几页被单独切走的时候，祖先标题就没了。它们变成几段没有出处的文字。

所以每一页顶上，给一个属于这一页的小标题。不用长，一句话交代这页在讲什么就行。

「M12 接口定义」「防护等级与工作温度」「配套线缆选型」。

这三行标题的价值，比在正文里多塞十句关键词高得多。它们决定了切块时，这一块有没有名字。

顺带一个好处，对人也有用。翻手册找参数的人，速度能快一倍。

三种排版，抽出来必死

表格。用画出来的线拼表格，解析出来是一堆散落的数字。要用真正的表格插入，导出时保留结构。判断方法还是抽一遍：抽出来还是「型号 电压 电流」一行一行对得上，那就是真的。

两栏。产品手册爱用双栏省纸。双栏在抽取时几乎必然交错。要么改成单栏，要么保证每一栏都是完整独立的段落，不跨栏续写。

扫描件。最常见，也最致命。判断方法很简单，用鼠标能不能选中文字。选不中就是图，对引擎来说这一页是白纸。要么重新从源文件导出，要么做 OCR，但 OCR 出来的字必须人工过一遍，型号里的 O 和 0，l 和 1 会被认错。

还有第四种，这几年最多见：参数表做成图片发出去。图能被人看到，字不能被机器读到。

这四种里，前两种能修，后两种只能重做。所以如果手册还要用三年，现在就重做一遍，比每年补一次便宜。

配一个网页，别让 PDF 单打独斗

PDF 有个先天缺陷：它装不了结构化数据。

schema 是网页的东西，PDF 里没有这个位置放。

所以标准做法是两份，一份网页一份 PDF，配对使用。

网页上放这几样。

一句话说清楚这是什么文档，哪一年的，适用于哪个型号。

关键参数用真正的表格再写一遍，不要只给一个下载按钮。

下载按钮指向 PDF，旁边标清楚文件大小和页数，人下载前想知道这两样。

结构化数据标成 TechArticle 或者 DigitalDocument，不要标成 Product。产品页标 Product，文档页标文档，标错了等于没标。

版本号和发布日期写在页面上。这两样 PDF 里其实也有，但写在网页上更显眼。

分工就定了：网页负责被人找到和被引用，PDF 负责在被引用的那一刻，是那份原件。

有一个动作千万别做，给 PDF 加表单门禁。用邮箱换下载，人拿得到，爬虫拿不到。真要用表单，让网页先把核心参数写全，PDF 只当完整版。

改了参数就发新文件

这条跟大部分人的习惯相反。

Google 在那期播客里说得很直白：PDF 的重新抓取频率比网页低。你原地覆盖一个 catalog.pdf，搜索引擎可能几个月都不知道你换过。

而且 PDF 是二进制文件，重复内容的归并本来就难做。

所以参数一改，做法是这样。

新文件名带上年份或者版本号，catalog-2026-v3.pdf。

旧文件留着，不要让它 404。

网页上的下载链接换成新的。

旧文件首页写一行「本版已由 v3 取代」，或者让旧文件的响应头指向新文件。

代价是文件会越攒越多。所以要一开始就做对，别用 catalog.pdf 这种名字，用带年份的。每更新一次，天然就是一个新地址，旧的自然退役。

上传前过一遍这七条

curl -I 一条命令全看完。

curl -I https://你的域名/files/catalog-2026-v3.pdf

六十四兆是 Google 文档里写明的 PDF 抓取上限。带高清图的产品手册很容易踩线，压图或者拆成两册，都比被丢下强。

还有一件别做的事。

别把 llms.txt 做成 PDF。Google 明确说过处理不了这个格式。2026 年 7 月的一份统计里，百分之九十七的 llms.txt 请求量是零。这个东西现在不值得占用你半个小时。

收个尾

七节走完，回头看一眼。

第一节不做，你不知道转换器看到了什么，后面六节都是猜。

第五节不做，PDF 就只剩被下载这一条路。

第六节不做，你改的参数三个月后搜索引擎还不知道。

第七节最省事，一分钟，能挡掉一半的低级错误。