Google の Martin Splitt と John Mueller は、PDF をテーマにした検索オフレコ ポッドキャストを投稿しました。そのタイトルは、「検索における PDF: インデックス作成、AI、および落とし穴」です。クロールとインデックス作成のために PDF がどのように変換されるか、Google がリンクや画像をどのように処理するか、ファイルの制限は何か、検索や AI 検索でのランク付けについて説明します。
ポッドキャストは次の章に分かれています。
- 00:50 – LLMs.txt ファイルを PDF として保存できますか?
- 01:56 – プレーンテキストとバイナリコンテナ: PDF と HTML の違いは何ですか?
- 03:08 – Google のコンバータ パイプラインの内部: インデックス作成のために PDF を HTML に変換します。
- 05:08 – PDF ファイルから画像とリンクを抽出します。
- 06:04 – クロール制限、ファイル サイズ、テストのカットオフしきい値。
- 08:35 – PDF を公開する意味があるのはいつですか?
- 09:33 – PDF は検索、AI 概要、AI モードでランク付けされますか?
- 11:22 – 技術的な落とし穴: ラスター化されたページ、スキャンされた画像、アクセシビリティ。
- 12:53 – モバイル接続の遅延、レイアウトのロック、ズームの問題。
- 14:12 – 重複した「バイナリ BLOB」による正規化の課題。
- 15:57 – メタデータ、パスワード保護、PDF ファイルの更新。
- 18:59 – 動的 CMS PDF 生成に関する問題。
- 21:08 – レストランのメニューに関する議論: PDF Web ページと HTML Web ページ。
- 23:00 – GEO (生成エンジン最適化) と AI グラウンディングの PDF。
実のところ、Google があまり語らなかった GEO/AI 検索の側面以外のことについては、ほとんどのことを私たちがカバーしました。
これは、Google が PDF で述べたことに関する古い報道です。間違いなく何かが欠けていると思います。
2回聴いてトランスクリプトを読んだ結果を要約すると、次のようになります。
Google による PDF の処理とランク付けの方法:
- HTML 変換: PDF はプレーン テキストではなく、バイナリ コンテナ ファイルです。インデックス作成パイプライン中に、Google はコンバータ コンポーネントを使用して PDF を HTML 表現に変換し、内部検索システムが通常の Web ページと同様に PDF を処理できるようにします。
- リンクと埋め込みメディア: PDF は HTML に変換されるため、埋め込みテキスト リンクは保持され、通常どおりクロールされます。ただし、PDF に埋め込まれた画像にはスタンドアロン URL がないため、通常、標準の Web 画像と同じ方法で Google 画像検索で処理することはできません。
- 検索と AI の可視性: 変換された PDF は、標準の HTML ドキュメントと同じ基本システムを使用してランク付けされ、インデックス付けされます。これらは AI の概要に表示され、トレーニングや基礎付けのために AI モデルにアクセスできます。
- クロール サイズの制限: PDF のクロール制限は、標準の HTML ページの制限よりも大きくなります。クロールのしきい値は、ファイル サイズの基準が進化するにつれて時間の経過とともに調整されるため、Google は意図的に正確なカットオフを文書化していません。ただし、Google はそのことを文書化しています。
技術的な落とし穴とUXの課題:
- ラスタライズされたドキュメントとスキャンされたドキュメント: PDF がテキストではなくスキャンされた画像またはラスタライズされたページで構成されている場合、検索エンジンは OCR なしではコンテンツを読み取ることができません。サイト所有者は、PDF のテキストを強調表示し、コピーし、テキスト エディターに貼り付けることでこれをテストできます。
- モバイルとアクセシビリティの問題: PDF は、モバイル デバイスでレンダリングする前に完全にダウンロードする必要があり、ズーム時にテキストがリフローしない固定印刷レイアウトを備えています。また、アクセスしやすい構造になっていない場合、スクリーン リーダーにとって障壁となる可能性があります。
- 正規化と複製: 同一の PDF は正確なバイナリの重複であるため、クロスドメインの正規化は困難です。発行者は、rel=canonical HTTP ヘッダーを使用し、PDF メタデータ フィールドを入力し、文書ヘッダーに Web サイトへの目立つリンクを配置することで、重複コンテンツの問題を軽減できます。
- アクセス制限: パスワード保護により、検索エンジン ボットによる PDF コンテンツの読み取りやインデックス作成がブロックされます。
クロールの頻度と更新:
- 再クロール速度が遅い: Google は PDF を比較的静的なバイナリ ファイル (画像と同様) として扱い、再クロールの頻度は HTML よりもはるかに低くなります。
- 更新用のファイル名の変更: 再クロールには時間がかかるため、更新された PDF のインデックスを迅速に作成する必要がある発行者は、既存のファイルを上書きするのではなく、新しい URL またはファイル名で PDF を発行する必要があります。
- 自動生成された「印刷」PDF の回避: ライブ Web ページの PDF 複製を生成する自動 CMS ツールにより、両方のバージョンが検索結果で競合する可能性があり、再クロールの頻度が低いために PDF バージョンが古いままになることがあります。
SEO に関する推奨事項:
- デフォルトは HTML: HTML は編集が簡単で、モバイル画面での応答性が高く、インデックス作成が高速です。
- PDF を選択的に使用する: PDF は、コンテンツに厳密な印刷形式、ダウンロード可能なオフライン フォーム、または紙のドキュメントが必要な場合に適しています。レストランなどの中小企業の場合、HTML 相当のメニューを作成することが現実的でない場合は、PDF メニューを使用できます。
- llms.txt のプレーン テキストを保持する: マシンでの使用を目的としたファイル (llms.txt など) は、PDF としてフォーマットしないでください。この形式の目的は、シンプルで軽量のプレーン テキストを提供することです。
