Ficheiros PDF Não Indexados no Google: Como Colocar os Teus Documentos nos Resultados de Pesquisa

O Google trata ficheiros PDF de forma diferente de páginas HTML em cada fase do pipeline de indexação. Perceber estas diferenças é essencial para diagnosticar porque é que os teus PDFs não estão indexados.

Quando o Google rastreia um PDF, descarrega o ficheiro inteiro. Ao contrário das páginas HTML onde o Google consegue fazer parse do conteúdo textual à medida que faz stream, os PDFs têm de ser totalmente descarregados antes de o processamento poder começar. Isto significa que PDFs grandes (10MB, 50MB ou maiores) consomem recursos de rastreio significativamente mais do que páginas HTML. O Google pode despriorizar o download de PDFs grandes quando a largura de banda de rastreio está limitada, levando ao estado "Descoberto - atualmente não indexado".

Após o download, o Google extrai conteúdo textual do PDF. Para PDFs criados a partir de documentos digitais (exportados de Word, InDesign ou ferramentas semelhantes), a extração de texto é normalmente simples. A camada de texto está incorporada no PDF e o Google consegue lê-la diretamente. Para PDFs criados digitalizando documentos em papel, a situação é inteiramente diferente. Um PDF digitalizado é essencialmente uma série de imagens, e não existe uma camada de texto para o Google extrair. Sem reconhecimento ótico de caracteres (OCR), o Google não consegue ler qualquer conteúdo em PDFs digitalizados e vai classificá-los como não tendo conteúdo indexável.

O Google também lê as propriedades de metadados do PDF. Os ficheiros PDF têm campos de metadados incorporados incluindo Title, Author, Subject, Keywords e Description. Estas propriedades são definidas na ferramenta de criação de PDF e são usadas pelo Google para perceber o tópico do documento, de forma semelhante a como funcionam o HTML title e meta description tags. A maioria dos PDFs é publicada com metadados por defeito ou vazios, o que é uma oportunidade perdida de otimização.

O Google gera um snippet de resultado de pesquisa para PDFs indexados usando o conteúdo textual que extraiu. Como os PDFs não têm meta description tags HTML, o Google seleciona o snippet a partir do texto do corpo do PDF ou dos metadados. O resultado de pesquisa inclui um pequeno badge "PDF" para indicar o tipo de ficheiro, e clicar no resultado descarrega ou abre o PDF dependendo das definições do browser do utilizador.

Is importante, o Google não consegue seguir links dentro de PDFs de forma tão fiável como links dentro de páginas HTML. Embora o Google consiga detetar alguns hyperlinks em PDFs, links embebidos em texto PDF nem sempre são reconhecidos, especialmente se não estiverem formatados como hyperlinks clicáveis no documento original. Isto significa que PDFs são fracos veículos para passar link equity comparados a páginas HTML.

O tamanho do ficheiro PDF tem um impacto direto na possibilidade de o Google descarregar e processar o ficheiro. Embora o Google não tenha publicado um tamanho máximo oficial de PDF para indexação, observações práticas sugerem que PDFs com mais de 10 a 20 MB são frequentemente saltados ou despriorizados durante o rastreio. PDFs extremamente grandes (50MB+) quase nunca são indexados porque o tempo de download excede o timeout de rastreio do Google.

Problemas de tamanho de ficheiro em PDFs tipicamente têm origem em imagens de alta resolução embebidas, fontes embebidas ou complexidade do documento. Um catálogo de produtos com 200 fotografias de produto de alta resolução pode facilmente atingir 100MB ou mais. Um manual técnico com centenas de diagramas, screenshots e fotografias acumula tamanho rapidamente. Mesmo PDFs com muito texto podem ser surpreendentemente grandes se embeberem fontes invulgares ou contiverem formatação complexa.

Otimizar o tamanho do ficheiro PDF envolve várias técnicas. Primeiro, comprime imagens dentro do PDF. A maioria das ferramentas de edição de PDF tem uma função "reduzir tamanho do ficheiro" ou "otimizar" que recomprime imagens embebidas. Reduzir a qualidade da imagem de 300 DPI para 150 DPI tipicamente corta o tamanho do ficheiro a metade ou mais mantendo qualidade legível no ecrã. Segundo, remove fontes embebidas se possível, ou faz subset de fontes para incluir apenas os caracteres efetivamente usados no documento em vez dos ficheiros completos de fonte. Terceiro, achata camadas complexas, campos de formulário e anotações que adicionam sobrecarga de processamento.

Para documentos muito grandes que não podem ser reduzidos abaixo dos 10 MB através de compressão, considera dividir o PDF em documentos mais pequenos. Um catálogo de produtos de 200 páginas pode ser dividido em PDFs por categoria de 20 a 30 páginas cada. Cada PDF mais pequeno tem maior probabilidade de ser rastreado e indexado, e os tamanhos de ficheiro mais pequenos melhoram a experiência do utilizador para pessoas que descarregam os documentos. Cria uma página HTML índice que liga a cada PDF de secção, fornecendo ao Google uma estrutura de navegação rastreável.

Outra abordagem é oferecer tanto um download em PDF como uma versão HTML do mesmo conteúdo. A versão HTML serve como o conteúdo indexável principal que o Google rastreia eficientemente, enquanto o PDF serve utilizadores que precisam de uma versão descarregável e imprimível. Liga a versão HTML ao PDF e vice-versa para que os utilizadores possam aceder ao formato que preferirem.

Antes de investir esforço em otimizar PDFs para indexação, considera se o conteúdo teria melhor desempenho como páginas web HTML. Em muitos casos, a resposta é sim. As páginas HTML têm vantagens significativas de indexação e experiência do utilizador sobre PDFs.

As páginas HTML são rastreadas e indexadas de forma mais eficiente. O Google consegue fazer parse de HTML à medida que faz stream, sem descarregar o ficheiro inteiro primeiro. As páginas HTML consomem recursos mínimos de rastreio e são processadas mais rapidamente. O HTML suporta metadados ricos (title tags, meta descriptions, Open Graph tags, structured data) que os PDFs não conseguem igualar. As páginas HTML podem incluir links internos, navegação de breadcrumbs, secções de conteúdo relacionado e outros elementos que reforçam a posição da página no grafo de links do teu site.

As páginas HTML fornecem uma melhor experiência de utilizador para a maioria dos tipos de conteúdo. São responsivas (adaptando-se a ecrãs móveis), acessíveis (suportando leitores de ecrã e tecnologias de assistência nativamente), e interativas (suportando pesquisa, navegação, comentários e outras funcionalidades de envolvimento). Os PDFs são documentos de layout fixo desenhados para impressão, e ler um PDF num telemóvel exige pinch e zoom constantes.

As páginas HTML suportam rich results na pesquisa. Uma página FAQ em HTML pode qualificar-se para FAQ rich results. Um guia how-to em HTML pode qualificar-se para how-to rich results. Uma especificação de produto em HTML pode incluir schema Product. Os PDFs não podem participar em quaisquer formatos de rich result.

No entanto, os PDFs são a escolha certa para certos tipos de conteúdo. Documentos que precisam de manter formatação exata para impressão (contratos legais, formulários governamentais, desenhos de engenharia) exigem formato PDF. Documentos que precisam de ser descarregados para uso offline beneficiam do formato PDF. Artigos académicos com notação matemática complexa, layouts multi-coluna e requisitos tipográficos específicos são frequentemente melhor servidos por PDF.

A abordagem recomendada para a maioria das organizações é publicar versões HTML de todo o conteúdo que deve ser encontrável através de pesquisa, e oferecer versões PDF como downloads suplementares para utilizadores que precisem delas. Liga a página HTML ao download do PDF e inclui uma canonical tag na página HTML (não adiciones uma canonical ao PDF, pois PDFs não suportam canonical tags da mesma forma). Se tens de publicar conteúdo apenas como PDF, segue os passos de otimização neste guia para maximizar o sucesso de indexação.