Google讲了PDF怎么排名，我下载了129份外贸品牌PDF，9份一个字都读不出

摘要：Google的Martin Splitt和John Mueller在10月13日的播客里讲了PDF怎么被收录和排名：先转成HTML再进索引，链接照常有效，能进AI概览和AI模式，能用HTML就尽量用HTML。我从27个外贸和工业品牌官网下载了129份PDF逐份检查：9份一个字都读不出来，都来自中国品牌，大多是产品资料；一半没有填标题；有2份超过Googlebot文档写明的64MB抓取上限；没有一份用响应头声明规范网址。

做外贸的网站，PDF几乎是标配。产品规格书、安装手册、认证证书、画册，一个下载中心挂几十上百份，很常见。

这些文件在Google眼里是什么待遇，以前大多靠猜。10月13日，Google搜索关系团队的Martin Splitt和John Mueller专门录了一期Search Off the Record播客，主题就是PDF在搜索里的处理，讲得比较细。

站内去年写过一篇PDF SEO的优化清单，那篇是通用做法。这篇换个角度：先把播客里说的话和Google现有文档对一对，再拿真实的外贸品牌PDF去量，看看大家做得怎么样。

Google这期播客关于PDF说了什么？

两位主持人的说法整理如下。右边一列是我对照Google文档或实测后的结论。

Search Engine Journal的整理引了不少原话。比如Splitt说，转换器发生在渲染之后、进索引之前，Google对富文本、Word、Excel都有转换器，“还有Lotus Notes文档，不知道为什么”。Search Engine Roundtable则列出了播客的章节，并汇总了过去十几年Google关于PDF的零散表态，比如PDF里的链接传递PageRank、PDF不适合手机浏览等。

Mueller的态度挺务实。他拿餐馆菜单举例：在“菜单做成PDF”和“网站上根本没有菜单”之间选，他当然选有菜单；可要是在“PDF菜单”和“普通网页菜单”之间选，他更喜欢网页，因为好操作。Splitt也说，需要严格的打印版式、需要可填写的表单，这些都是用PDF的正当理由。

播客一开头聊的是一个有点好笑的问题：能不能把llms.txt存成PDF。答案是别这么做，这个文件存在的意义就是给机器一份轻量的纯文本，换成PDF等于把目的给弄没了。

对做AI搜索优化的人来说，这期播客的结论很简单。Splitt说PDF能出现在AI模式里，理由和普通搜索一样：都是用转换后的HTML。反过来说，转不出文字的PDF，AI那边同样拿不到内容，也就谈不上被引用。PDF本来就在Google可索引文件类型的清单里，能不能被用上，看的是里面有没有文字。

Splitt说不知道的PDF抓取上限，文档里写着64MB

播客里Mueller问到PDF的文件大小上限，Splitt的回答很坦白：抓取PDF的上限应该比网页大，和视频、图片一样，但具体是多少他不知道，以后也可能随着大家发布的PDF变大而调整。

其实Google的Googlebot说明文档里有明确数字：为Google搜索抓取时，Googlebot抓取支持的文件类型的前2MB，PDF文件的前64MB。Google的抓取基础设施文档另外写了一个默认值，所有抓取器默认只抓前15MB，具体项目可以另设上限，比如给PDF设得比HTML大。这几条是今年2月写进文档的，Mueller当时在社交媒体上解释过，这些限制没有变化，只是写得更细了。

Splitt还提到一个他也拿不准的点：PDF转成HTML之后，那个HTML版本可能还受网页的大小限制。文档没提这一点，我也没法验证，先当作一个可能性记着。

那么外贸品牌的PDF有多大？我统计的129份文件里：

中位数是1.58MB，一半的文件在2MB以下。超过64MB的两份，一份是大华一本56页的门禁报警产品画册，76MB；另一份是中联重科下载中心里的一个文件，服务器报的大小是2.35亿字节，约224MB。

超出64MB会怎样？Mueller在2月解释2MB限制时说过，超出部分不会被用于索引，限额以内的部分照用。可PDF有个特殊情况：文件的交叉引用表通常放在末尾，截掉后半截的PDF，很多软件根本打不开。我把中联重科那份文件下载到120MB时截断，用PyMuPDF打开，一页都读不出来。Google的转换器面对被截断的PDF会怎么处理，没有公开说明。稳妥的做法是别让任何一份要被搜到的PDF超过64MB。

站内3月写过Googlebot 2MB限制的分析，讲的是网页HTML。PDF的64MB看起来宽松得多，对大多数规格书确实够用，真正会碰线的是产品画册和整本手册。想先知道自己网站的文件有多大，可以用站内介绍过的抓取体积检查器，批量看响应大小。站内8月还量过46个电商站的页面体积，网页碰线的情况比PDF常见得多。

体积还有一个手机端的问题，播客里也专门讲了：PDF要整份下载完才能显示，版式固定，放大后不会重排。固德威那份2页的安装说明有28.7MB，采购商在展会现场用手机流量点开，等上半分钟是常事。规格书这种常被手机打开的文件，控制在几MB以内更友好。

129份外贸品牌PDF，多少能读出文字？

先交代样本。我挑了40个中国出海品牌和30个国际工业品牌的官网，从首页出发，优先沿着“下载、支持、资料、手册”这类链接，每站最多看35个页面，收集PDF地址，再每站随机抽最多6份下载。最后有27个品牌找到了PDF，下载成功129份，其中中国品牌17个87份，国际品牌10个42份，能正常解析的128份。

这个样本偏小，又是从官网入口能点到的文件，不能代表整个行业，只能说明常见问题长什么样。

找文件的过程本身也说明了一些事。70个品牌里，22个站对一个不执行脚本的普通爬虫几乎什么都不给，要么直接拒绝，要么首页只有一个空壳。另外21个站，我顺着链接走了二三十个页面，一份PDF都没碰到，资料大概藏在要搜索、要选型号、要填表单才出来的下载中心里。

需要说明的是，Googlebot会执行脚本，我的爬虫不会，所以“我没找到”不等于“Google找不到”。但只能通过搜索框或表单才能拿到的文件，任何顺着链接走的爬虫都很难发现，Google一般也不会去提交表单。想让规格书被搜到，最起码要有一个普通的链接指向它，或者把它写进网站地图。

判断“读不出文字”的方法和Splitt说的复制粘贴测试是一个道理：逐页提取文本，一页少于30个字符就算空页。结果如下：

这9份来自6个品牌，大多是产品资料：

• 阳光电源一本53页的户用逆变器快速安装手册，27.7MB，197张图片，一个字都提取不出来。文件名带“_compress”，看起来是压缩时把整页转成了图片。同一品牌另外3份带“_compress”的文件文字正常，所以压缩工具本身未必有问题，要看具体用了什么设置。
• 古瑞瓦特澳洲站的3份规格书，每份2页，全是图片。
• 隆基2份组件资料，包括一份标着“Mobile Preview”的8页宣传页。
• 中联重科下载中心的一份38页资料，161张图片，0个字。
• 固德威一份2页的安装说明，28.7MB，60张图片。
• TCL澳洲公司发给客户的一份1页通知，整页是一张图片，内容再重要也搜不到。

这类文件在Google看来就是一叠图片。规格书里的型号、功率、尺寸，恰恰是采购商最可能拿去搜的东西，全锁在像素里了。说句不太客气的话，花钱做了一本漂亮的画册，在搜索引擎那里跟一张白纸差不多。

Google会不会对这类PDF做文字识别？播客里的说法是，扫描件和整页图片不经过文字识别就读不到内容，没说Google会替你做。按读不到准备是最保险的。补救的办法，站内写过扫描件批量OCR的流程，把文字层加回去就行；更好的办法是从设计源文件重新导出，别走“打印成图片再合并”这条路。

标题、链接、语言，这些基本信息填了吗？

能读出文字只是第一步。播客在讲重复文件和规范网址时，建议把PDF的元数据填好，在文件页眉放一个回到网站的醒目链接。我在样本里查了这几项：

标题这一栏，空着的超过一半。填了的63份里，还有11份写的是“Microsoft Word - ……”、排版软件的文件名或者内部编号。比如一份保修条款的标题是“Microsoft Word - PS-M-0135 N Standard Duomax Warranty_EN 20200423”，一份宁德时代的ESG报告标题直接是“……2025环境、社会与公司治理（esg）报告设计稿.pdf”，连“设计稿”三个字都带出来了。真正像样的标题只有52份，占40.6%。

Google在搜索结果里给PDF配标题时会不会用这个字段，播客没说死。可就算不用，空标题和“Microsoft Word - ”这种东西，也会出现在浏览器标签页、下载管理器和一些AI工具的引用里，没理由不填。

链接这一项差距更明显。国际品牌42份里有18份带可点击链接，中国品牌86份里只有17份。PDF里的链接既能把读者带回官网，也被Google当作普通链接处理。一份被转发到采购群里的规格书，如果连官网地址都点不了，等于断了回来的路。

结构标签和文档语言主要关乎无障碍阅读，播客的技术坑一章也提到了屏幕阅读器的问题。站内写过PDF无障碍与标签结构的做法，这里不展开。

响应头里的noindex和canonical，有几家在用？

PDF没有HTML的head，不能写meta标签。想控制收录和规范网址，只能靠服务器的响应头：X-Robots-Tag管收录，Link头里的rel=canonical管规范网址。播客的规范网址一章提到，同一份PDF放在不同网址上，就是一模一样的二进制文件，Google很难判断哪份是正本，可以用响应头里的canonical和元数据来帮忙。

129份文件的响应头统计：

• 带X-Robots-Tag的9份，全是noindex。其中6份来自Teltonika德语站点的/_files/ugd/路径，响应头带着Wix的标识，6份全部是“noindex, nofollow”。另有丹佛斯2份捷克语资料和WAGO 1份。
• 用Link响应头声明canonical的，0份。
• 带Last-Modified的115份，带ETag的96份，内容类型全部正确返回application/pdf。

Teltonika这6份值得多看一眼。从路径和响应头看，这些文件是通过Wix的文件服务发出去的，noindex很可能是平台默认加的，网站自己未必知道。如果这些是希望被搜到的产品资料，现在的状态就是一份都不会进索引。用Wix放PDF的外贸站，可以抽一份自己的文件看看响应头。

canonical的0份并不意外。多数站点的PDF只有一个地址，用不上。真正需要它的情况是：同一份规格书同时放在主站、子站、经销商站和第三方文档平台上。这种情况下，主站的那份最好在响应头里声明自己是正本。站内有一篇HTTP响应头与SEO讲过配置方法。

Last-Modified还能看出文件放了多久。115份带这个头的文件里，最后修改时间的中位数在一年左右，超过5年的有6份，全部来自国际品牌。PDF元数据里的创建年份也类似，能读到年份的126份里，2020年及以前创建的有22份。老资料本身没问题，麻烦在于参数、认证、型号可能早就变了，而Google重新抓取PDF又慢，搜出来的可能是一份过期的规格书。

文件名方面，129份里有48份带版本号或日期，比如“Ver25-202503”“V05”，占37.2%。这正好贴合播客里的建议：PDF重新抓取慢，更新时换一个新文件名，比覆盖旧文件更快被收录。反面例子是中联重科的“download.aspx?id=150”这类地址，文件名里没有任何内容信息，换版本时也很难换网址。

外贸站的PDF资料，按什么顺序整改？

前面的数字放在一起看，问题最大的不在格式选择，在于很多PDF根本没准备好被搜到。先把各项检查和样本的达标情况列在一起：

前三项是“能不能被收录”的问题，达标率都在九成以上，可没达标的那几份往往正是最重要的产品资料。后面几项是“收录了好不好用”的问题，普遍做得不好。按影响从大到小，可以这样排。

先把读不出文字的找出来

最快的办法就是Splitt说的：打开PDF，全选，复制，粘贴到记事本。粘出来是空的或一堆乱码，这份文件在搜索引擎那里就是空的。批量检查可以用pdftotext这类命令行工具，统计每页提取出的字符数。产品规格书和手册优先，这些是采购商最会搜的。

超过64MB的分册或压缩

整本画册超过64MB的，分成几册发布，或者用压缩工具降低图片分辨率。压缩时盯住一件事：别选“转为图片”之类的选项，阳光电源那份手册就是前车之鉴。站内有PDF压缩与拆分的流程可以照做。大文件的存放和分发，可以参考外贸B2B大PDF用Cloudflare R2存放的做法。

补标题，放链接

导出PDF前，在文档属性里填上像样的标题，用产品名加型号加文件类型，比如“某型号储能逆变器规格书”，别留空，也别让“Microsoft Word - ”混进去。页眉或页脚放一个能点的官网链接，最好直接链到对应的产品页。

给重要的PDF配一个HTML页

这条是播客里两人反复说的：能做成HTML的就做成HTML。不需要把每份PDF都改写一遍，产品规格书的核心参数做成产品页上的表格，PDF作为下载附件挂在页面上，搜索引擎和读者两头都照顾到了。白皮书这类长文档，可以参考站内白皮书做成内容资产的思路，摘要和关键数据放在HTML落地页上。

别让系统自动生成PDF副本

有些网站系统会给每个页面自动生成一个“打印版PDF”。播客里专门提到这种情况：PDF副本和网页内容一样，会和网页抢排名，而PDF重新抓取又慢，网页改了，搜出来的可能还是旧的PDF。这类自动生成的副本，要么关掉，要么在响应头里加noindex。

更新时换文件名，查一遍响应头

规格书改版时，用带版本号或日期的新文件名发布，旧地址301跳转到新文件，站内链接同步改掉。最后抽几份文件看一下响应头，确认没有被平台默认加上noindex。多个地址放着同一份文件的，在主站那份的响应头里加上canonical。

常见问题解答

Google会收录和排名PDF吗？

会。Google在10月13日的播客里说，PDF先被转换成HTML再进入索引，收录和排名方式与其他文档基本一样，也能出现在AI概览和AI模式里。前提是PDF里有能提取的文字。

PDF文件太大，Google会抓多少？

按Googlebot的说明文档，为Google搜索抓取时，PDF只抓前64MB，其他支持的文件类型抓前2MB。超出部分不会被用于索引。播客里Splitt说他不清楚具体数字，以文档为准更可靠。

扫描版PDF能被Google搜到吗？

很难。整页都是图片的PDF没有文字层，播客里说这类内容不经过文字识别就读不到，Google没有说会替你做。最简单的检查办法是全选复制，粘贴不出文字的就要重新导出或补文字层。

PDF里的链接有用吗？

有用。Google把PDF转成HTML后，里面的链接会像普通网页链接一样被处理。实测的128份外贸品牌PDF里，只有35份带可点击链接，这一项很多站都还没用上。

PDF内容更新了，怎么让Google尽快收录新版？

播客里的建议是换一个新文件名发布，而不是直接覆盖旧文件，因为Google重新抓取PDF的频率比网页低。旧地址做301跳转到新文件，站内链接同步更新。

下载中心要搜索或填表才能拿到PDF，Google能找到吗？

很难保证。Google主要靠链接和网站地图发现网址，一般不会去填表单或在站内搜索框里输入型号。希望被搜到的资料，至少要有一个普通链接指向它，或者写进网站地图。需要留资才能下载的资料，本来也不适合指望它带来搜索流量。

同一份PDF放在多个网站上，会被当成重复内容吗？

多个地址上的同一份PDF是完全一样的文件，Google需要判断哪份是正本。可以在主站那份的HTTP响应头里加rel=canonical，并在PDF元数据和页眉里写清官网信息。

权威参考资料