证书塞进 PDF 里,等于没放:外贸站最被浪费的一类页面

证书塞进 PDF 里，等于没放：外贸站最被浪费的一类页面

10 月 13 日，Google 搜索关系团队的 Martin Splitt 和 John Mueller 在官方播客里，第一次把 PDF 进索引的完整流程讲透了。里面有一句话，值得每个把证书做成扫描件的外贸站看三遍：Google 不读 PDF，它读的是 PDF 转换出来的那个 HTML 页面。

Google 不读 PDF，它读的是转换后的 HTML

其一，PDF 能排，也能被 AI 引用。转换之后 Google 内部已经不在乎它原来是不是 PDF，进 AI Overviews 和 AI Mode 走的是同一套系统。Mueller 说他也推测其他 AI 系统会拿 PDF 做训练和 grounding，但补了一句：这块 Google 没细讲，只能当方向看，别当定论。

其二，PDF 里的链接是真链接。转换后链接照样在，会被正常抓取、能传递信号。所以证书 PDF 的页眉里放一条回你官网的链接，是有实际作用的，不是摆设。

其三，PDF 里的图片基本白放。内嵌图片没有自己的 URL，Splitt 的说法是「大概能识别出这里有张图，但没法像普通网页图片那样处理」。证书上盖的章、拍的照片，对 Google 图片搜索来说等于不存在。

三种让证书白做的死法

① 扫描件、截图、导出的图片型 PDF

栅格化的页面，Google 不做 OCR 就提取不出文字。播客里给的判定方法极其朴素：把 PDF 里的字选中、复制、粘进记事本。粘得出来，Google 就能处理；粘不出来，那就谁都读不到。

补一句：2011 年 Google 那篇《PDFs in Google search results》里写过「图片可能会用 OCR 处理」。但 2026 年这次的说法是栅格化页面会破坏文本可读性、也挡住屏幕阅读器。别赌 OCR，当成读不到来处理。

② 证书换了新版，还覆盖在同一个 URL 上

Google 把 PDF 当作跟图片差不多的静态二进制资源，重抓频率远低于 HTML。你在旧地址上覆盖了一份新证书，Google 可能很久都不会再来看一眼——于是搜索结果里躺着的还是那份过期证书。

播客给的解法很直接：更新后的文件换个新 URL 或新文件名发布，让 Googlebot 把它当成一个全新资源来抓。

③ CMS 自动生成的「打印版 PDF」在跟你的页面抢排名

有些建站系统会给每篇文章自动生成一份 PDF 副本。麻烦在于：它重抓得慢，永远比你的 HTML 页面旧，却会跟 HTML 页面抢同一批词。Splitt 和 Mueller 的建议是——不维护就关掉或屏蔽掉。

外贸站常见的是「产品页 → 自动生成 PDF 数据表」。如果你没在维护它，它大概率是站上最旧、却被 Google 收录着的一份内容。

两个官方数字：64MB 和 2MB

资质页的正确做法：HTML 在前，PDF 在后

✓  证书编号：完整的、可复制的字符串，不是图片

✓  发证机构全称 + 机构所在国家

✓  签发日期与失效日期，写成两个明确字段

✓  适用型号范围：写清楚覆盖哪些规格、不覆盖哪些

✓  一个稳定 URL：不要放弹窗后面，不要要求填表才能看

✓  反向内链：从对应的产品页链过来，链锚文本写认证名

✓  证书原件作为 PDF 附件挂在页面上，不是唯一载体

批量检查 PDF 有没有文字层（Python）

pip install pypdf# audit_pdf.pyimport globfrom pypdf import PdfReaderdef check(path):    reader = PdfReader(path)    total = 0    blank_pages = []    for i, page in enumerate(reader.pages, 1):        text = (page.extract_text() or "").strip()        total += len(text)        if len(text) < 20:            blank_pages.append(i)    return len(reader.pages), total, blank_pagesfor f in sorted(glob.glob("**/*.pdf", recursive=True)):    pages, total, blank = check(f)    if total < 50:        verdict = "几乎无文字层，大概率是扫描件"    elif blank:        verdict = "部分页无文字：" + str(blank)    else:        verdict = "文字层正常"    print(f"{f} | {pages} 页 | {total} 字符 | {verdict}")

PDF 要留，就按这五条处理

1. 文件名说人话。Google 判断搜索结果里显示什么标题，主要看两样：文件里的 title 元数据，和指向它的链接锚文本。ce-certificate-dn15-dn100-2026.pdf 比 新建文件夹 (2).pdf 强得多。

2. 填满元数据。标题、作者、描述都填上。Splitt 在播客里专门提了这一条，理由很实际：这些字段是机器能直接读到的结构化信息。

3. 页眉放一条回站链接。转换后这条链接会被当成正常链接处理。证书被转发、被第三方下载再上传时，这是它能找回你官网的唯一线索。

4. 重复的 PDF 用 canonical 指回 HTML 版。同一份文件在不同域名上是完全相同的二进制副本，跨站 canonical 极难自动判定。Google 官方的 canonical 文档写明：对 PDF 这类非 HTML 文档，可以用 HTTP 头里的 rel=canonical 指定。

5. 要下线就用 X-Robots-Tag。PDF 里放不了 meta robots 标签，只能用 HTTP 响应头发 noindex。别用 robots.txt 屏蔽：被 robots.txt 挡住的 URL，只要别处有链接指向它，照样可能出现在搜索结果里。

Nginx / Apache 上怎么发这两个头

# Nginx：把 PDF 的 canonical 指向对应 HTML 页location ~* \.pdf$ {  add_header Link '<https://example.com/certificates/ce-2026.html>; rel="canonical"';}# Nginx：内部草稿目录的 PDF 不让收录location ~* ^/internal/.*\.pdf$ {  add_header X-Robots-Tag "noindex";}# Apache 写法<FilesMatch "\.pdf$">  Header add Link '<https://example.com/certificates/ce-2026.html>; rel="canonical"'</FilesMatch>

三件容易被讲歪的事

别理解成「PDF 没用」。转换之后它跟普通页面走同一套系统，能排、能进 AI Overviews 和 AI Mode。官方的立场是「HTML 更好」，不是「PDF 不行」。

别理解成「证书必须做成 HTML」。需要签字盖章、需要原样打印的，PDF 就该是 PDF。要改的是：别让 PDF 成为唯一载体，外面得有一张 HTML 页面把字段写出来。

别用 robots.txt 处理「不想被看到的 PDF」。官方文档写得很清楚：用 robots.txt 挡住的页面，只要有别处链接指向，URL 仍可能出现在结果里。真不要就上 noindex 或加密码。

本周就能做完的五件事

第 1 件　把站上所有 PDF 过一遍文字层，挑出零字符的那几个。上面那段脚本跑一次只要几秒。

第 2 件　给主推产品的认证单独建一个 HTML 页，把编号、机构、有效期、适用型号写成可复制文字。

第 3 件　从对应产品页加一条内链过去，锚文本写认证全名，别写「查看更多」。

第 4 件　检查建站系统有没有在自动生成「打印版 PDF」。有且不维护，就关掉或在 HTTP 头上 canonical 回 HTML 版。

第 5 件　在 Search Console 的效果报告里按网址过滤 .pdf，看你这些文件到底拿到多少展示。有量的那个，优先做成 HTML 页。

认证是花钱买来的，被读进去才算资产。读不进去，它就只是一张存在服务器上的图片。

本文信息来源

1. Google 官方播客 Search Off the Record《PDFs in Search: Indexing, AI & Pitfalls》，2026 年 10 月 13 日，Martin Splitt / John Mueller（Google Search Relations 团队）

2. Google 搜索中心文档《什么是 Googlebot》——抓取上限 2MB / PDF 64MB、超限截断、多数网站主要索引移动版

3. Google 搜索中心博客《PDFs in Google search results》——标题由元数据与锚文本决定、PDF 内图片不进索引、HTML 与 PDF 重复时指定 canonical

4. Google 搜索中心《如何使用 rel=canonical 指定规范网址》——支持通过 HTTP 头为 PDF 等非 HTML 文档指定 canonical