Google explica cómo clasifican los archivos PDF y qué significa para SEO/GEO

John Mueller de Google analizó recientemente cómo Google procesa archivos PDF con fines de clasificación, cómo los indexa para su uso en modo AI y búsqueda regular, y por qué puede usar enlaces en archivos PDF de la misma manera que lo hace para páginas web HTML normales.

Los archivos PDF se convierten a HTML

Martin Splitt de Google explicó que Google utiliza un conversor para transformar archivos PDF en HTML y luego indexa la conversión HTML, no el PDF real. También expresó incertidumbre sobre si las imágenes en archivos PDF se indexan o no. Pareció inclinarse por la posibilidad de que no sean indexados y dijo que este estado puede cambiar en algún momento en el futuro.

Él explicó:

“Y lo que hacemos es no usar un visor de PDF… Lo que estamos haciendo en la Búsqueda es tener un componente llamado conversor. Y el componente conversor es parte de lo que sucede en la indexación. Ocurre justo después de la renderización y justo antes de que algo potencialmente llegue al índice.

Una de las cosas que hacemos es mirar el formato. Tenemos convertidores para muchos formatos diferentes, como archivos de texto enriquecido, archivos de documentos, hojas de Excel y documentos de Lotus Notes por alguna razón. Pero también uno de ellos es un conversor de PDF. Así que estamos tomando eso y produciendo una versión HTML para que el procesamiento en el resto del proceso solo funcione con HTML.

Obviamente, eso excluye imágenes, videos y yada yadayada (esos van a canales ligeramente diferentes), pero el canal web normal utiliza HTML para todo”.

Más adelante explicó cómo Google maneja las imágenes en archivos PDF:

“Creo que podríamos recogerlos. No estoy seguro de cómo los procesaríamos porque la forma en que normalmente los procesamos es dando las URL de la imagen al canal de búsqueda de imágenes que luego trabaja con esto.

Aquí realmente no tenemos una URL porque es parte del PDF. Entonces creo que entendemos que hay una imagen, pero no creo que podamos procesarla como una imagen normal para la búsqueda de imágenes. Pero eso podría cambiar o podría haber cambiado; esa es mi comprensión actual de cómo funciona ese oleoducto”.

Los enlaces funcionan en archivos PDF

Google también confirmó que los enlaces incrustados en los archivos PDF funcionan como enlaces porque es la versión HTML del PDF la que se indexa, lo que incluye los enlaces que se pueden seguir como enlaces normales.

John Mueller comentó:

“Básicamente, cuando Google ve un archivo PDF, lo convierte en algo con lo que tiene más práctica, una especie de página web. Y supongo que por eso también cosas como los enlaces también funcionan en archivos PDF”.

Split respondió:

“Sí. Porque lo convertimos en una página HTML y luego el resto de nuestros sistemas dicen: “Sé cómo manejar una página HTML” y simplemente hacen lo suyo.

…Así que se pueden incrustar muchas cosas en un PDF. Y cuando lo convertimos, lo convertimos a una representación en HTML que sea lo más fiel posible a ese formato original. Así podemos ver cosas como enlaces, por ejemplo, desde archivos PDF”.

Límites de tamaño de PDF de Google

Mueller de Google reconoció que no lo saben todo y que están tratando de explicar la indexación y clasificación de PDF de acuerdo con lo que sí saben.

Preguntó sobre los límites de tamaño de los archivos PDF.

“Me doy cuenta de que algunas de estas cosas tal vez simplemente no conocemos los detalles, por lo que estamos tratando de extrapolar lo que sí sabemos. ¿Sabes con respecto a los límites, como los límites de tamaño, cómo funciona eso con los archivos PDF?”

Splitt respondió que el límite de archivos PDF es mayor de la misma manera que los límites de tamaño de video son mayores, pero que no sabía el límite exacto. Agregó que creía que se aplican los límites normales de HTML una vez que se convierte el PDF, lo cual es información útil.

Él explicó:

“Probablemente la recuperación del PDF tiene un límite diferente al límite de la página web, pero probablemente hay un límite para el tipo de representación de la página web.

No estoy tan seguro de dónde se aplican estos límites. Sé que los límites de HTML que discutimos recientemente en el podcast y en la documentación también provienen del componente de rastreo de la canalización. Entonces, cuando los rastreamos, como tenemos que rastrear un documento PDF y los PDF pueden ser muy grandes, asumo que tenemos un límite de archivos mayor, al igual que el que tenemos con videos e imágenes. Pero no conozco el límite específico para archivos PDF”.

Más tarde, Splitt dijo que cualquiera que sea el límite de tamaño actual podría cambiar en el futuro si detectan que las personas están publicando archivos PDF más grandes.

Los archivos PDF pueden clasificarse en modo de búsqueda e inteligencia artificial

Martin Splitt también confirmó que los archivos PDF pueden clasificarse en el modo AI por la misma razón que pueden clasificarse en la búsqueda normal. Google convierte los archivos a HTML y luego los indexa así.

Pero también mencionó que no todos los archivos PDF pueden clasificarse según el texto porque algunos PDF son como imágenes. Sugirió que si puede resaltar y copiar el texto del PDF a un archivo de texto, Google podrá convertir el PDF a HTML para fines de clasificación.

Splitt explicó las clasificaciones de PDF de Google en respuesta a la pregunta de si los editores de sitios deberían crear archivos PDF:

“Sí, claro, si su contenido lo justifica. Por ejemplo, si tiene requisitos de formato específicos, o si necesita que este material se vea muy, muy específico en forma impresa, o si necesita elementos interactivos como formularios.

Entonces, si administra un alojamiento de vacaciones y publica un formulario que le facilita procesar a las personas que se registran para hospedarse en su alojamiento de vacaciones, entonces hágalo en formato PDF si le resulta útil.

Obviamente, HTML es un formato realmente flexible y lo prefiero, pero si tienes un PDF por cualquier motivo, hazlo. Los restaurantes a menudo hacen que las impresoras creen los menús que en realidad también imprimen físicamente en papel como PDF, y usted puede simplemente cargarlos en su sitio web. Es mejor que no tener su menú en el sitio web.

…la indexación y la clasificación son prácticamente iguales a las de cualquier otro documento”.

Mueller añadió:

“Por lo tanto, también pueden aparecer en descripciones generales de IA, modo IA, todas esas cosas”.

HTML es probablemente mejor para SEO que PDF

Más adelante en el podcast, Mueller expresó que el HTML normal probablemente sea mejor para fines de clasificación. Eso no disminuye el poder de clasificación de los archivos PDF, pero existe un ángulo pragmático en cuanto a facilitar a los motores de búsqueda la clasificación de documentos web.

Esta idea la expresó por primera vez hablando de Menús:

“Lo veo un poco pragmático. Si la opción es tener un menú como PDF o no tener ningún menú, entonces sí, preferiría tener un menú. Pero si la opción es un menú como PDF en lugar de una página web normal, me gustan las páginas web normales porque es más fácil interactuar con ellas”.

Luego, más tarde se refirió al comentario de Martin sobre la indexabilidad de los archivos PDF:

…Desde el punto de vista de SEO, si se trata de texto indexable (si intentas ese truco que mencionó Martin, seleccionando todo y colocándolo en un editor de texto), entonces podemos usarlo para la búsqueda. No es que desde el punto de vista del SEO sea imposible.

Luego, más adelante expresó la idea de que si el propietario de un sitio puede hacerlo en HTML, entonces debe hacerlo:

…si tienes algo que puedes poner en HTML y es igual que tus archivos PDF, eso hace que todo sea un poco más fácil”.

El último punto sobre hacerlo un poco más fácil llega al corazón fundamental de lo que se trata el SEO, que es facilitar a los motores de búsqueda el rastreo e indexación del contenido del sitio web.

Escuche el podcast Search Off The Record aquí:

Imagen destacada de Shutterstock/thodonal88