PDF-файлы не индексируются в Google: как добавить документы в результаты поиска
Ваши PDF-документы содержат ценный контент, но Google не может их найти или не может прочесть. Узнайте специфические вызовы индексации PDF и когда лучше использовать HTML-альтернативы.
В этой инструкции
PDF-файлы — значимый формат контента для многих организаций. Научные статьи, white paper, каталоги товаров, технические руководства, юридические документы, государственные формы и образовательные материалы часто публикуются как PDF. Google умеет и индексирует PDF-файлы, трактуя их как страницы, которые могут появляться напрямую в результатах поиска. Когда пользователь кликает PDF-результат в Google, его сразу ведёт к самому PDF-файлу.
Однако индексация PDF не автоматическая и сталкивается с уникальным набором вызовов, не применимых к HTML-страницам. Многие PDF — по сути изображения, созданные сканированием бумажных документов без распознавания текста, и Google не может прочитать никакого текстового контента. PDF обычно намного крупнее HTML-страниц, что замедляет производительность сканирования. У PDF нет богатой инфраструктуры метаданных HTML — нет аналога мета-описаний, структуры заголовков и разметки структурированных данных. И PDF часто оказываются осиротевшими файлами в каталогах /docs/ или /downloads/ без ссылок с основных страниц сайта.
Вопрос, стоит ли вообще индексировать PDF, заслуживает обдумывания до их оптимизации. Во многих случаях преобразование контента PDF в HTML-страницы даёт лучшую видимость в поиске, лучший пользовательский опыт и лучшую доступность. Но есть законные случаи, когда PDF — подходящий формат, и в них нужная оптимизация существенна для индексации.
Это руководство охватывает конкретные технические и контентные вызовы индексации PDF-файлов в Google, шаги оптимизации, чтобы PDF стали достойными индексации, и рекомендации, когда HTML-альтернативы — лучший подход.
Как Google обрабатывает и индексирует PDF-файлы
Google обрабатывает PDF иначе, чем HTML-страницы, на каждом этапе конвейера индексации. Понимание этих различий критично для диагностики причин, по которым Ваши PDF не индексируются.
Когда Google сканирует PDF, он скачивает файл целиком. В отличие от HTML, где Google может разбирать текст по мере поступления, PDF нужно полностью скачать до начала обработки. Это означает, что крупные PDF (10 МБ, 50 МБ и больше) потребляют существенно больше ресурсов сканирования, чем HTML-страницы. Google может понизить приоритет скачивания больших PDF при ограниченной полосе сканирования, что приводит к статусу «Обнаружена, не проиндексирована».
После скачивания Google извлекает текстовый контент из PDF. Для PDF, созданных из цифровых документов (экспортированных из Word, InDesign или похожих инструментов), извлечение обычно беспроблемно. Текстовый слой встроен в PDF, и Google читает его напрямую. Для PDF, созданных сканированием бумажных документов, ситуация совсем другая. Сканированный PDF по сути — серия изображений, и текстового слоя для извлечения нет. Без оптического распознавания символов (OCR) Google не может прочитать никакого контента в сканированных PDF и классифицирует их как не имеющие индексируемого контента.
Google также читает свойства метаданных PDF. У PDF-файлов есть встроенные поля метаданных: Title, Author, Subject, Keywords и Description. Эти свойства задаются в инструменте создания PDF и используются Google для понимания темы документа аналогично HTML-тегам title и meta description. Большинство PDF публикуются с дефолтными или пустыми метаданными, что упущенная оптимизационная возможность.
Google генерирует сниппет результата поиска для индексированных PDF, используя извлечённый текст. Поскольку у PDF нет HTML-мета-описаний, Google выбирает сниппет из основного текста PDF или метаданных. В результате поиска видна маленькая метка «PDF», а клик скачивает или открывает PDF в зависимости от настроек браузера пользователя.
Важно, что Google не может переходить по ссылкам внутри PDF так же надёжно, как по ссылкам в HTML-страницах. Хотя Google может определять некоторые гиперссылки в PDF, ссылки, встроенные в текст PDF, не всегда распознаются, особенно если они не оформлены как кликабельные гиперссылки в исходном документе. Поэтому PDF — плохие средства передачи ссылочного веса по сравнению с HTML-страницами.
![Результат поиска Google с PDF и меткой [PDF]](/images/guides/pdf-files-not-indexed/section-0.svg)
Сканированные PDF и проблема OCR
Самая частая причина, по которой PDF не попадает в индекс, — это сканированный документ без текстового слоя. Когда бумажный документ сканируется в PDF, сканер захватывает изображение каждой страницы. Полученный PDF содержит изображения, а не текст. Когда Google встречает такой PDF, он видит по сути коллекцию фотографий без читаемого контента.
Быстро определить, есть ли в PDF текстовый слой, можно, открыв его и попробовав выделить текст курсором. Если можете подсветить отдельные слова и скопировать их — у PDF есть текстовый слой. Если клик и перетаскивание выделяют прямоугольную область изображения, а не отдельные слова, PDF только из изображений и текстового слоя у него нет.
Исправление для сканированных PDF — применить распознавание символов (OCR). OCR-софт анализирует изображения в PDF, определяет символы и добавляет текстовый слой за изображениями. Визуальный вид PDF не меняется, но файл теперь содержит извлекаемый текст, который Google может прочитать и проиндексировать.
Для организаций с большими архивами сканированных PDF несколько OCR-инструментов могут обрабатывать документы массово. Adobe Acrobat Pro имеет встроенный OCR. Open-source-инструменты вроде Tesseract OCR могут обрабатывать PDF программно. Облачные сервисы вроде Google Cloud Vision API, Amazon Textract и Microsoft Azure AI справляются с высокообъёмной OCR-обработкой. Качество OCR зависит от качества сканирования. Документы, отсканированные с разрешением 300 DPI и выше с хорошим контрастом и стандартными шрифтами, дают отличное качество OCR. Низкокачественные сканы, рукописный текст и необычные шрифты могут давать ошибки, требующие ручной правки.
После применения OCR проверьте качество извлечения, поискав конкретные фразы внутри PDF. Если OCR-текст достаточно точный, чтобы Вы могли найти контент поиском, Google тоже сможет извлечь и проиндексировать его. Для документов с низким качеством OCR из-за плохих сканов рассмотрите пересоздание документа в цифровом виде вместо опоры на склонный к ошибкам OCR-вывод.
Гибридный подход работает для организаций, переходящих с бумаги на цифру. Применяйте OCR к существующим сканированным PDF, чтобы они немедленно стали индексабельными, и одновременно внедряйте политику создания будущих документов в цифровом виде (в Word или похожем) и экспорта в PDF со встроенными текстовыми слоями. Со временем доля индексабельных PDF в архиве естественным образом растёт.
Размер PDF-файла и производительность сканирования
Размер PDF-файла напрямую влияет на то, скачает ли Google и обработает ли файл. Хотя Google не публиковал официальный максимальный размер PDF для индексации, практические наблюдения показывают, что PDF свыше 10–20 МБ часто пропускаются или понижаются в приоритете при сканировании. Экстремально большие PDF (50 МБ и больше) почти никогда не индексируются, потому что время скачивания превышает таймаут сканирования Google.
Проблемы размера PDF обычно вызваны встроенными изображениями высокого разрешения, встроенными шрифтами или сложностью документа. Каталог товаров с 200 высококачественными фотографиями товаров легко достигает 100 МБ и больше. Техническое руководство с сотнями диаграмм, скриншотов и фотографий быстро накапливает размер. Даже текстоёмкие PDF могут быть неожиданно большими, если встраивают редкие шрифты или содержат сложное форматирование.
Оптимизация размера PDF включает несколько техник. Во-первых, сожмите изображения внутри PDF. Большинство PDF-редакторов имеют функцию «уменьшить размер файла» или «оптимизировать», пересжимающую встроенные изображения. Снижение качества изображений с 300 DPI до 150 DPI обычно сокращает размер вдвое и больше при сохранении читаемого качества на экране. Во-вторых, по возможности уберите встроенные шрифты или сделайте их подмножествами — включайте только символы, реально используемые в документе, вместо полных шрифтовых файлов. В-третьих, флатинг сложных слоёв, полей форм и аннотаций, добавляющих оверхед обработки.
Для очень больших документов, которые нельзя сжать ниже 10 МБ, рассмотрите разбиение PDF на меньшие документы. Каталог товаров на 200 страниц можно разделить на покатегорийные PDF по 20–30 страниц. Каждый меньший PDF с большей вероятностью будет просканирован и проиндексирован, а меньшие размеры улучшают UX для скачивающих документы. Создайте HTML-индексную страницу со ссылками на каждый секционный PDF, давая Google сканируемую навигационную структуру.
Другой подход — предлагать одновременно скачивание PDF и HTML-версию того же контента. HTML-версия служит основным индексабельным контентом, который Google эффективно сканирует, а PDF обслуживает пользователей, которым нужна скачиваемая, печатная версия. Связывайте HTML-версию с PDF и обратно, чтобы пользователи могли выбрать предпочтительный формат.
Оптимизация метаданных PDF
Метаданные PDF играют роль, аналогичную HTML-мета-тегам для индексации в поисковиках. Правильно настроенные метаданные помогают Google понять тему документа, генерировать подходящие сниппеты в выдаче и оценивать релевантность поисковым запросам. Большинство PDF публикуются с дефолтными или пустыми метаданными — это существенно упущенная возможность.
Свойство Title — самое важное поле метаданных. Google использует title PDF аналогично HTML-тегу title — как основной сигнал темы и как дефолтный кликабельный заголовок в выдаче. PDF с title «Document1» или «Untitled» не даёт Google никакой полезной информации. Задавайте Title описательным, релевантным ключевым словам, точно отражающим контент, аналогично оптимизации HTML-title.
Свойство Author помогает установить авторитет и может влиять на то, как Google представляет документ. Для организационных документов используйте название организации. Для научных статей и публикаций — имя автора. Свойство Subject даёт краткое описание темы документа, аналогично HTML-meta description. Задайте его как сжатое резюме контента.
Свойство Keywords позволяет указать релевантные ключевые слова, ассоциированные с документом. Хотя метаданные-ключевые слова влияют на ранжирование меньше, чем в ранние годы поиска, они дают дополнительные тематические сигналы, которые могут помочь Google правильно категоризировать документ.
Просматривать и редактировать метаданные PDF можно несколькими способами. Adobe Acrobat Pro предоставляет диалог «Свойства» в File → Properties, где можно редактировать все поля. Бесплатные инструменты вроде PDFtk, ExifTool и Python-библиотеки PyPDF2 могут программно модифицировать метаданные PDF, что полезно для массового обновления метаданных по большим коллекциям документов. Некоторые инструменты создания PDF (InDesign или экспорт Word в PDF) позволяют задавать метаданные в процессе экспорта.
Помимо стандартных метаданных, обращайте внимание на первые абзацы текстового контента в PDF. Google использует ранний текстовый контент для генерации сниппетов выдачи, когда метаданных недостаточно. Убедитесь, что вводные абзацы PDF описательны и релевантны главной теме документа, а не начинаются с уведомлений об авторских правах, оглавления или административных шаблонов.
Когда использовать HTML-страницы вместо PDF
Прежде чем вкладывать усилия в оптимизацию PDF для индексации, подумайте, не сработает ли контент лучше в виде HTML-страниц. Во многих случаях ответ — да. У HTML-страниц есть существенные преимущества по индексации и UX над PDF.
HTML-страницы эффективнее сканируются и индексируются. Google может разбирать HTML по мере поступления, без необходимости скачивать файл целиком. HTML-страницы потребляют минимум ресурсов сканирования и обрабатываются быстрее. HTML поддерживает богатые метаданные (теги title, meta description, Open Graph, структурированные данные), с которыми PDF не сравнится. HTML-страницы могут включать внутренние ссылки, навигацию-хлебные крошки, секции связанного контента и другие элементы, укрепляющие позицию страницы в ссылочном графе сайта.
HTML-страницы дают лучший UX для большинства типов контента. Они отзывчивы (адаптируются к мобильным экранам), доступны (нативно поддерживают экранные читалки и ассистивные технологии) и интерактивны (поддерживают поиск, навигацию, комментарии и другие формы вовлечения). PDF — документы с фиксированной вёрсткой, предназначенные для печати, и чтение PDF на телефоне требует постоянного зума.
HTML-страницы поддерживают расширенные результаты в поиске. Страница FAQ в HTML может квалифицироваться под расширенные результаты FAQ. Гид «как сделать» в HTML может квалифицироваться под расширенные результаты How-to. Спецификация товара в HTML может включать схему Product. PDF не могут участвовать ни в одном формате расширенных результатов.
Однако PDF — правильный выбор для определённых типов контента. Документы, которым нужно сохранить точное форматирование для печати (юридические договоры, государственные формы, инженерные чертежи), требуют формата PDF. Документы, которые нужно скачивать для оффлайн-использования, выигрывают от PDF. Научные статьи со сложной математикой, многоколоночной вёрсткой и специфическими типографскими требованиями часто лучше обслуживаются PDF.
Рекомендуемый подход для большинства организаций — публиковать HTML-версии всего контента, который должен находиться через поиск, и предлагать PDF-версии как дополнительные скачивания для тех, кому они нужны. Связывайте HTML-страницу со скачиванием PDF и включайте канонический тег на HTML-странице (не добавляйте canonical в PDF, так как PDF не поддерживают канонические теги так же, как HTML). Если контент нужно публиковать только как PDF, следуйте шагам оптимизации из этого руководства, чтобы максимизировать успех индексации.
Пошаговое руководство
Проведите аудит PDF-файлов по статусу индексации
Соберите список всех PDF-файлов на сайте. Проверьте файловую систему сайта или используйте инструмент сканирования, включающий PDF в обход. Для каждого PDF поищите в Google «site:вашдомен.com filetype:pdf», чтобы увидеть, какие PDF сейчас в индексе. Сопоставьте с данными Google Search Console, если PDF включены в карту сайта. Категоризируйте каждый PDF как проиндексированный, не проиндексированный или с неизвестным статусом. Для непроиндексированных PDF отметьте размер файла, есть ли текстовый слой и ссылаются ли на него HTML-страницы.
Проверьте PDF на наличие текстового слоя и статус OCR
Откройте каждый непроиндексированный PDF и проверьте, можно ли выделить и скопировать текст. Если выделение не работает, PDF только из изображений и нужна OCR-обработка. Создайте два списка: PDF с текстовыми слоями (готовые к оптимизации) и PDF без текстовых слоёв (нуждающиеся в OCR). Для нуждающихся в OCR обработайте их функцией OCR в Adobe Acrobat или используйте инструмент массового OCR для больших коллекций. После OCR-обработки проверьте качество текста, поискав конкретные термины внутри обработанного PDF. Замените оригинальные файлы на сервере OCR-обработанными версиями.
Оптимизируйте размеры PDF-файлов
Проверьте размер каждого PDF, который хотите индексировать. Помечайте любые PDF свыше 5 МБ для оптимизации. Используйте функцию «Уменьшить размер файла» или «Оптимизировать PDF» в Adobe Acrobat для сжатия изображений и удаления лишних данных. Целевой финальный размер — менее 5 МБ для максимальной вероятности сканирования. Для PDF, которые нельзя сжать ниже 5 МБ, рассмотрите разбиение на меньшие документы по главам или секциям. После оптимизации замените файлы на сервере и убедитесь, что оптимизированные версии корректно открываются.
Задайте свойства метаданных PDF
Для каждого PDF, который хотите индексировать, откройте свойства файла и задайте поля Title, Author, Subject и Keywords. Title должен быть описательным, релевантным ключевым словам заголовком на 50–70 символов (аналог HTML-тега title). Subject должен быть однопредложным описанием контента документа. Author — название организации или имя человека. Keywords должны включать три-пять релевантных терминов. Для массовых обновлений метаданных используйте инструмент вроде ExifTool или скрипт на Python с библиотекой PyPDF2 для программного обновления метаданных по всем PDF.
Создайте HTML-ссылки и записи в карте сайта для PDF
Убедитесь, что на каждый PDF, который хотите индексировать, ссылается хотя бы одна HTML-страница сайта. Создайте страницу ресурсов, страницу скачиваний или библиотеку документов, ссылающуюся на все важные PDF описательным анкорным текстом. Включите URL PDF в XML-карту сайта. Можно добавить их в основную карту или создать отдельную PDF-карту. Каждая запись PDF в карте должна содержать URL и дату последнего изменения. Отправьте обновлённую карту в Google Search Console.
Рассмотрите создание HTML-эквивалентов для ключевых документов
Для самых важных PDF (нацеленных на высокочастотные запросы) создайте HTML-эквиваленты страниц. Перенесите контент PDF в HTML-страницу с правильной структурой заголовков, мета-тегами и внутренней перелинковкой. Связывайте HTML-страницу с PDF как опцию «Скачать PDF-версию». HTML-страница быстрее проиндексируется, лучше ранжируется и даст лучший UX, а PDF остаётся доступен для скачивания. Со временем отслеживайте, какой формат Google предпочитает индексировать, и подстраивайте стратегию.
Отправьте URL PDF на индексацию
Завершив шаги оптимизации, отправьте важные URL PDF на индексацию через инструмент «Проверка URL» в Google Search Console (введите прямой URL PDF-файла) или через IndexBolt для массовой отправки. Отслеживайте прогресс индексации в течение двух-четырёх недель. PDF обычно индексируются дольше HTML-страниц, потому что потребляют больше ресурсов сканирования, — будьте терпеливы. Если PDF остаются непроиндексированными через четыре недели, проверьте, не слишком ли большой размер файла или не блокирует ли PDF robots.txt либо аутентификация.
Частые проблемы и способы их решения
PDF показывается как «Просканирована, но пока не проиндексирована» в Search Console
Причина: Google скачал PDF, но решил, что в нём недостаточно ценного контента для индексации. Это бывает со сканированными PDF без текстового слоя, очень короткими PDF на одну-две страницы контента или PDF с обобщённым контентом, дублирующим информацию, доступную на HTML-страницах в других местах сети или Вашего собственного сайта.
Решение: Убедитесь, что у PDF есть текстовый слой (попробуйте выделить текст). Если PDF только из изображений, примените OCR. Если есть текстовый слой, но минимум контента, подумайте, добавляет ли PDF уникальную ценность, недоступную на Ваших HTML-страницах. Если контент PDF дублирует существующую HTML-страницу, либо уберите PDF из целей индексации, либо добавьте в PDF уникальный контент, дифференцирующий его. Задайте корректные метаданные title и описания, чтобы помочь Google понять ценность документа.
PDF за логином или платным доступом не индексируются
Причина: Google не может получить доступ к контенту, требующему аутентификации. Если Ваши PDF отдаются из закрытой зоны для участников, защищённого паролем каталога или требуют отправки формы для скачивания, краулер Google до них не доберётся, и они никогда не будут проиндексированы. Некоторые CMS отдают PDF через PHP-скрипты, проверяющие аутентификацию, даже когда сами PDF доступны при прямом обращении.
Решение: Делайте PDF публично доступными, если хотите их индексировать. Если полный документ должен быть закрыт, рассмотрите публикацию резюме или первых страниц как публично доступного preview-PDF и закрывайте только полную версию. Убедитесь, что URL PDF напрямую доступен без аутентификации, session-cookies или отправки формы. Протестируйте, открыв URL PDF в приватном/инкогнито-окне, где Вы не залогинены.
Большие PDF-каталоги индексируются не полностью
Причина: PDF-файлы свыше 10–20 МБ часто понижаются в приоритете или пропускаются при сканировании Google, потому что потребляют непропорционально много полосы скачивания. Каталог товаров на 50 страниц с изображениями высокого разрешения легко превышает 20 МБ, что делает его плохим кандидатом на индексацию как единого файла.
Решение: Разделите большой каталог на меньшие посекционные PDF (по одному на категорию или линейку товаров), каждый меньше 5 МБ. Оптимизируйте изображения, уменьшая размер без потери читаемости. Создайте HTML-индексную страницу со ссылками на каждый секционный PDF и описательным текстом о содержимом. Эта индексная страница служит лендингом для поискового трафика и даёт Google понятную навигацию к каждому меньшему индексабельному секционному PDF.
PDF проиндексирован, но в результатах поиска показывается с неверным title
Причина: Свойство Title в метаданных PDF пустое, задано как обобщённое дефолтное «Microsoft Word - Document1.docx» или не соответствует реальной теме документа. Google прибегает к имени файла или извлекает title из первого текстового контента в PDF, что может оказаться не описательным или нерелевантным.
Решение: Откройте PDF в редакторе метаданных и задайте свойство Title как описательный, дружественный поиску заголовок. Например, измените «Document1» на «Руководство по промышленной безопасности 2026 — требования OSHA по соответствию». Перезалейте файл и запросите пересканирование через Google Search Console или IndexBolt. Google должен подхватить новый title за один-два цикла сканирования.
Советы профи
Ваши PDF-документы содержат экспертизу, которую ищет Ваша аудитория. IndexBolt отправляет URL PDF напрямую в конвейер индексации Google, добавляя Ваши white paper, гиды и технические документы в результаты поиска, где их найдёт аудитория. Отправьте свою библиотеку документов в IndexBolt и сделайте PDF обнаруживаемыми.
100 бесплатных кредитов. Без банковской карты. Результаты менее чем за 24 часа.
Часто задаваемые вопросы
Может ли Google реально читать и индексировать PDF-файлы?+
Да. Google индексирует PDF с 2001 года и трактует их как полноправный контент в результатах поиска. Google извлекает текст из PDF со встроенными текстовыми слоями, читает свойства метаданных PDF и показывает PDF в выдаче с меткой PDF. Однако Google не может читать текст со сканированных PDF без OCR-слоя и может пропускать очень большие PDF из-за ограничений времени скачивания. Правильно оптимизированные PDF с текстовым контентом, метаданными и разумным размером файла надёжно индексируются.
Стоит ли закрывать PDF от индексации и использовать HTML вместо них?+
Для большинства типов контента HTML — лучший формат для видимости в поиске. HTML-страницы сканируются быстрее, поддерживают более богатые метаданные и структурированные данные, дают лучший мобильный опыт и могут участвовать в форматах расширенных результатов. Однако определённые типы контента лучше обслуживает PDF: юридические документы, государственные формы, печатные гиды, научные статьи и всё, требующее точного печатного форматирования. Рекомендуемый подход — создавать HTML-версии для обнаруживаемости и предлагать PDF как скачиваемые альтернативы для тех, кому они нужны.
Как добавить аналог мета-описания к PDF?+
PDF не поддерживают HTML-теги meta description, но у них есть поле метаданных Subject (или Description, в зависимости от редактора), служащее аналогично. Откройте свойства PDF в Adobe Acrobat или другом PDF-редакторе и задайте поле Subject/Description как сжатое резюме контента, идеально 150–160 символов. Google может использовать это поле при генерации сниппета результата поиска, хотя может и тянуть текст сниппета прямо из основного контента PDF.
Нужно ли, чтобы PDF были в моей XML-карте сайта для индексации?+
Карта сайта строго не обязательна для индексации, но существенно улучшает обнаруживаемость PDF. Поскольку PDF часто хранятся в файловых каталогах без сильной внутренней перелинковки с HTML-страниц, карта сайта может быть единственным способом, которым Google их обнаруживает. Добавьте URL PDF в существующую XML-карту сайта или создайте отдельную PDF-карту. Включайте дату `lastmod` для каждого PDF, чтобы Google знал, когда документ был обновлён. Отправка карты сайта через Google Search Console обеспечит осведомлённость Google обо всех PDF-файлах.
Почему мой PDF показывается в выдаче Google с другим title, чем имя файла?+
Google использует свойство Title из метаданных PDF как title результата поиска, а не имя файла. Если Title в метаданных пуст или задан как обобщённое дефолтное, Google может сгенерировать title из первого заголовка или текстового контента в PDF либо прибегнуть к имени файла. Чтобы контролировать, как PDF появляется в выдаче, задайте свойство Title в метаданных как описательный, релевантный ключевым словам заголовок через PDF-редактор. Это самый близкий аналог установки HTML-тега title для веб-страницы.