图片SEO别只盯alt：大图上62%的字页面里找不到

摘要：131个电商独立站首页，其中114个取到了可分析的大图，共815张，OCR一共从上面读出1460行文字。把这些字拿回页面里逐字对照，62.4%的字符在整个文本层里一个都找不到——不在正文，不在alt，不在meta，也不在结构化数据。alt本该是那道后备通道，可在有字的图上，它对图上文字的覆盖率中位数是0%。漏得最狠的不是标语，是价格：识别到的54个价格词里45个只活在像素里。

随手打开一个做得漂亮的独立站首页，把浏览器的阅读模式打开，或者干脆按Ctrl+A全选复制到记事本里。你会发现一件有点扫兴的事：刚才屏幕上那句最大、最有劲、你花了两周和设计师来回改稿的话，粘出来是空的。

它不在文本里。它在一张图里。

这件事本身谁都知道。真正没人量过的是：到底漏了多少，漏的都是哪几句。所以保哥把131个电商独立站的首页挨个打开，把渲染面积最大的那几张图按原始地址下载下来，用OCR读一遍，再把读出来的每一行字拿回那个页面的文本层里逐字比对。下面是这一轮的全部结果，包括尺子本身准不准。

为什么最想让人看见的那句话，最后总会变成一张图？

这不是谁偷懒。它是一连串合理决定叠出来的结果。

设计稿里那句主标语要压在模特照片上，字要描边、要有渐变、要跟着背景的明暗走。用HTML加CSS也能做，但要处理断行、要处理不同语言长度不一、要处理小屏幕下压到人脸上。把整块交给设计导出一张图，一次搞定，所有屏幕表现一致，谁都不用再吵。

产品图上的净含量、成分比例、认证标志，本来就印在包装上，拍照就带进来了，没人会想到再抄一遍到页面上。奖项徽章是主办方给的图，媒体评价是设计师排版排出来的一整块，脚注里的数据来源要用小字压在角落——这些都是图。

于是形成一个很别扭的规律：一句话在页面上越重要，越倾向于被做得醒目；越要做得醒目，越容易被交给设计；越是交给设计，越可能以像素而不是字符的形式落地。醒目和可读，在实操里是反着走的。

而这件事不会报错。页面照样加载，Lighthouse照样跑绿，SEO插件照样打勾。此前实测132个独立站首页有28个是空壳，那种漏是整页的，一眼能看出来；这一次的漏是零碎的，藏在最漂亮的地方。

这次到底量了什么，怎么量的？

样本是131个电商与消费品牌的独立站首页。127个跑完了采集（其余4个卡在超时或反爬），这127个里又有13个没能取到任何符合尺寸门槛的图片——要么首页全是视频和纯色块，要么图被CDN挡住下不来。最终进入统计的是114个站、815张图。每个站的流程是这样的：

• 用真实浏览器打开首页，等页面稳定，再往下滚三屏、回到顶部，把懒加载的图都逼出来。
• 收齐机器能拿到的全部文本：可见正文、DOM里的全部文字节点（包括当前不可见的）、所有alt/title/aria-label/placeholder属性、全部meta标签内容、全部JSON-LD结构化数据。这一整份合起来叫“文本池”。
• 挑出渲染面积最大的8张图（面积下限约200×90），按原始地址把图片文件本身下载下来，而不是截屏。这一步很关键：截屏会把压在图上面的HTML文字一起拍进去，那些字本来就在文本层里，会把结果算漂亮。
• 对每张图跑OCR，逐行拿到文字和置信度。
• 把每一行字拿回文本池里找。找得到，算这句话有文本备份；找不到，算它只活在像素里。

比对时有两个必须钉死的细节。第一，两侧必须用同一个归一化函数：OCR那边本来就丢标点，如果文本池这边保留标点，就成了两把尺子。第一版就栽在这儿——boohoo的alt里写着“Serving Looks, Ignoring Emails”，OCR读出的是“serving looks ignoring”，中间那个逗号让整行匹配失败，被误判成“只在像素里”。把两侧的标点全抹平之后才对上。

第二，OCR经常把词之间的空格吃掉，rothys的按钮读出来是“SHOPTHESEASON”。所以除了原样匹配，还要拿去掉全部空格的版本再匹配一次，两边都对不上才算漏。

先考尺子：OCR在这类图上到底靠不靠谱？

这一步没法省。如果OCR把布料纹理认成字母，那“只在像素里”的数字就全是假的；如果它读不出白字压深色照片，那漏掉的又全是最典型的那一类。所以在跑正式数据之前，先用两种办法考了它两轮。

第一轮是自己画图当标准答案：用已知文案生成12张图，覆盖大标题、中号徽章、小字条款、极小号有效期、低对比度、白字压照片、参数表、细体字，再额外做四张“像真图一样难”的——强JPEG压缩、缩到实际展示尺寸再压缩、低对比度压在照片上。另外三张负例是纯噪点、渐变和纯色块，图里一个字都没有。

一开始用的是tesseract。结果是：大字全对，负例零误报，但强压缩的22px小字和缩到45%再压缩的小字，召回率是0%。这个失败方向本身是有意义的——它漏掉的正好是条款、有效期、成分这类小字，也就是最要紧的那一类。

第二轮是拿真图人工标注。从采集到的图里随机抽24张，逐张肉眼看过并分成三类：人写上去的营销文案、只有品牌logo或包装标签、完全没有文字。然后拿OCR的结果去对。这一轮把tesseract判了死刑：

具体到那三张营销图：rothys首屏上那行压在照片上的白色大字“THE FALL EDIT”，tesseract一个字没读出来；shein那张手写体的“Rust Ritual”，读不出来；lookfantastic角落那个圆形“25% OFF”角标，也读不出来。换成RapidOCR之后，三张全部读到，rothys那张连底下那行小字“Your style shift starts here with rich ReVelvet Penny Loafers.”都完整读了出来。

RapidOCR那唯一一个假阳性还有个小插曲。stanley1913首页那张图被我标成了“完全没有文字”，OCR却读出了STANLEY和FARMRO。把那块像素放大一看，画面里女孩抱着的保温杯上印着STANLEY的商标和联名款的FARM RIO字样——是标注的人漏看了，不是机器读错了。把这张改判之后，精确率其实是100%。剩下3个漏读都是B类，全是照片深处几毫米大的品牌小标，漏了不影响这篇的结论。

所以正式跑的是RapidOCR。这里有个必须说清楚的方法论后果：换一把更强的尺子，被读出来的字变多了，而“文本层里有没有”这件事不变，所以结论只会更稳、不会被放大。用弱尺子反而会让漏掉的字看起来更少。

还做了一次敏感性检查：把置信度门槛从0.6提到0.8，样本从1648行缩到1460行，“只在像素里”的字符占比从64.6%变成62.4%。把及格线抬高整整三分之一，结论只动了2.2个百分点，说明这个数字不是靠低置信度的噪声撑起来的。下文所有数字都用更严的0.8。

815张首页大图上，有多少张真的写着字？

815张大图里，OCR读出文字的有319张，占39.1%。也就是说每五张首页大图里，有两张不只是照片，它同时还是一块版面。

按站看，中位数是每站2张图带字，四分之一的站有5张以上，最多的站8张全带字。这个分布本身说明了两种做法并存：一部分品牌严格把文字留在HTML里，图只放照片；另一部分把整个首屏当画布用。

图上的那些字，页面里找得到吗？

这是整篇的核心。1460行、12292个字符拿回文本池里逐行对，结果是：

三个口径要一起看。词级是刻意放宽的下限——只要“free”这个词在页面某个角落出现过，哪怕是页脚的免运费提示，图上那个“free”也算有备份。就这么宽松，仍然有近一半的词哪儿都找不到。整行级更接近人真正读到的那句话，53.8%的行整句失踪。字符级最能说明信息量：图上每读出10个字符，有6个多在整个文档里没有第二份。

另一个角度：只有25.4%的站做到了一行都不漏。剩下四分之三的站，多多少少都有句子只存在于像素里。中位数是每站漏2行，四分之一的站漏8行以上，最狠的一个站漏了56行。

alt这道后备通道接住了多少？

规范其实说得很清楚。W3C的图片教程在“文字图片”这一节里写的是：在那些不得不用文字图片的少数场合，替代文本必须包含图中呈现的同样文字。这是“必须”，不是“建议”。

实测下来，这道通道基本是空的：

• 有字的图里，alt对图上文字的覆盖率中位数是0%，平均17.8%。
• 70.9%的有字图，alt一个字都没覆盖到图上的内容。
• 覆盖过半的只有18.9%。

更细一层，把815张大图按alt的形态分开看，能看出问题出在哪：

注意那个35.7%：图上明明写着字，alt却是空字符串，等于主动告诉所有读取器“这里没内容，跳过”。这不是忘了写，空的alt是有人特意敲上去的，它在W3C关于装饰性图片的说明里是一个正当且常用的写法——前提是那张图真的只是装饰。问题在于，判断一张图是不是装饰的人，看的是它在版面里的角色，不是它上面有没有印字。

剩下55.5%写了人话的，问题换了一种：写的是画面，不是文字。getquip首屏那张banner上印着四条产品卖点——可更换刷头、牙医建议每3个月换一次、更少细菌、对地球更友好——alt写的是“Promotional banner”。drinkolipop的产品图上印着“Supports Digestive Health”和“12 fl oz (355 mL)”，alt写的是口味名“Blackberry Vanilla”。都写了，都没写到点上。

这跟WebAIM每年那份百万首页体检的口径不一样，得对齐着看。WebAIM Million在2026年2月扫了100万个首页，结论是16.2%的图片缺alt、10.8%的alt内容可疑（比如写成image、graphic或文件名）。它量的是alt有没有、写没写得像样；这次量的是alt就算写了，写的是不是图上那句话。两个口径都合格的图，在这次的标准下仍然可能整句漏掉。权威大样本和自己的小样本对不上时，先比口径再比数字。

漏得最狠的是价格，不是标语

把识别出来的词按类型分开统计，结果和直觉不太一样：

折扣词和物流词漏得少，是因为“sale”“free shipping”这类词在页面别处几乎一定会再出现一次——导航里有促销入口，页脚有配送政策。它们被词级口径救了回来。

价格不一样。一个具体的金额是唯一的，页面别处不会碰巧再写一遍，所以它一旦只印在图上，就是彻底的孤本。boohoo那张banner上的“FROM 16”、dollarshaveclub产品图上的“30 mL | 1 US FL OZ”和“177 mL / 6 US FL OZ”、drinkolipop的“12 fl oz (355 mL)”——净含量、规格、起售价，全在像素里。

这类信息恰好是结构化数据审计里最该核对的那几个字段，也是AI回答比价和选购问题时最需要抓的东西。

有几个站把整段举证材料画进了图里

把“只在像素里”的行按站翻一遍，会发现漏掉的不是随机的字，它们高度集中在四类上，而且四类都是最需要被机器看见的那种。

第一类是举证材料。govee首页上有一张1288×247的窄图，OCR从上面读出了完整的数据来源脚注：来自Euromonitor International的销售额口径、统计范围是2025年美国零售渠道的家用户外常亮照明、调研完成于2026年6月。

这段话是用来支撑它那个“全美第一”宣称的全部依据，而它的alt是空字符串。同一张图上那句“IN THE USA”也只在像素里。baseus那张榜单图同理，标题写进了alt，但“Source: Omdia Smart personal audio estimate (sell-in) H1 2026”这行来源没有。

第二类是第三方背书。eufy首页有一整块奖项与媒体评价：T3、CNET、WIRED、IFA的奖章排成一行，下面三个气泡框里是TechRadar和tom's guide的原话引用。整块是一张图，alt是空字符串。这是标准的经验、专业、权威、可信材料，人一眼能看到，机器读到的是零。

第三类是产品的硬参数与承诺。avocadogreenmattress那张720×700的图上写着“Made with ≥95%”，后面接的是什么材料比例，OCR只读到这里，页面文本里也没有下文，而那张图连alt属性都没有。

第四类是法律与合规声明。casetify的联名banner上印着“2026 Mars or Affiliates. M&M'S Brand used under license.”，alt写的是“M&M'S | CASETiFY”。flyingtiger的三张首页图上都印着“AI MODIFIED”——这是图片是否经过AI处理的披露标签，本身就是给人看的合规声明，结果它自己也只存在于像素里。

还有一类没法归进上面四类但很有意思：charleskeith的中文首页banner上是两行运营公告，“新进行时，官网升级中！”和“了解商品详情，欢迎扫码前往小程序商城选购”。这是整条业务通知，alt是空的。everlane更彻底，一张710×888的图里画着完整的品牌可持续性叙事，从“Everything we make has an impact.”开始一共七八行，连alt属性都没有。

把这四类摆在一起，规律就很清楚了：越是需要举证、越是要显得郑重、越是排版复杂的内容，越容易被整块交给设计，也就越容易掉出文本通道。而这恰好是做外贸B2B时最看重的那批视觉信任信号。

那四分之一做对的站，是怎么做对的？

114个站里有29个一行都没漏。这个数字第一眼像好消息，拆开看就不是了。

29个里有19个的做法是：首页大图上压根没有字。它们的图就是照片，所有文案都用HTML排在图的旁边或上面。这不算解决了问题，这算绕开了问题——虽然从结果上说，绕开也确实有效。

真正做到“图上有字、文本层里也有”的只有10个：awaytravel、brompton、cluse、fahertybrand、fromourplace、gymshark、ikea、ruggable、stokke、wusthof。而且它们图上的字都不多，最多的cluse也只有6行。

换句话说，在这个样本里，没有一个站是靠把大量图上文字逐句补进alt来过关的；过关的路径要么是不往图上写字，要么是图上只写一两句而且那一两句本来就在HTML里。这对落地方式是个提示：与其事后补alt，不如在设计评审那一步就把“这句话要不要进文本”定下来。

顺带把样本量的事说清楚。这次是114个站、815张图的小样本，HTTP Archive那边的Web Almanac无障碍章节覆盖一千多万个站，两边测的东西不同——它测alt有没有、是不是空的，不测alt和图上文字对不对得上。但有一个数字正好能对上：那份全量报告里，有alt属性的图片中30%的alt值是空的，而且这个比例还在往上走（2022年是27%）。这次只取首页最显眼的几张大图，测出来是32.5%。

两个口径几乎一样，说明一件事：空alt不是小图和图标的专利，页面上最大最重要的那几张图，同样有三分之一被声明成了装饰。顺便一提，那份报告里通过Lighthouse替代文本检查的图片比例从2022年的59%涨到了2024年的69%，alt写没写这件事在变好，写没写对这件事没跟上。

AI搜索时代，这一层为什么更要命？

传统搜索里，图上的字漏掉，损失是有限的。搜索引擎还有一大堆别的信号可用：标题、正文、内链锚文本、外链、历史表现。它对图片本身也有自己的理解能力——Google在图片SEO最佳实践文档里的说法是，它会结合alt文本、计算机视觉算法和页面内容来理解一张图的主题。注意这句话的落点是“主题”，不是“把图上的字抄进索引当正文用”。

生成式检索的路子不一样。它先把页面切成段落级的可引用单元，再决定引用哪一段。被检索和被引用是两套不同的机制，而这两套都吃文本。一张图在这条流水线上贡献的是零个字符——它不参与切段，不参与向量化，也不会成为被引用的那一句。

后果是很具体的。当用户问“这个牌子在美国是第几”，govee首页那段Euromonitor来源就是最该被引用的举证，但它不在文本里。当用户问“这款牙刷刷头多久换一次”，quip首页banner上印着牙医建议每3个月换一次刷头，同样不在文本里。从1亿条引用数据看被引源分布就能看出，能被引的前提永远是先能被读到。

更麻烦的是它对品类层面的主题归属有系统性影响：如果你把品类里最有分量的那几句话都画成了图，模型在总结这个品类时，用的就是别人家的句子。

这也是GEO技术端那三步——抓得到、读得懂、引得出里最容易被跳过的一环：大家都在盯抓取和渲染，很少有人回头检查渲染完之后那些字到底进没进文本。

自己站上怎么查，三步就够

不用搭这套实验台，手工版十分钟能跑完，而且结论八九不离十。

第一步，用全选复制当粗筛。打开首页，Ctrl+A、Ctrl+C，粘到纯文本编辑器里。然后对着浏览器里的页面往下滚，把屏幕上看得见、粘贴稿里搜不到的句子记下来。这一步能抓出绝大多数问题，因为它模拟的就是纯文本提取器看到的东西。

第二步，重点盯四类内容。按上面那个分类挨个找：有没有奖项徽章、有没有媒体引用、有没有数据来源脚注、有没有净含量或成分比例、有没有价格或折扣数字、有没有授权或披露声明。这四类只要出现在图上，就必须在文本里再写一遍。

第三步，把alt逐条对着图重写。判据只有一条：如果这张图上印着字，alt里就必须出现那些字；如果这张图上没有字，alt才可以是描述画面，或者干脆留空。反过来说，看到一张带字的图配着一个空的alt，那就是一处确定的漏。批量体检alt与图片属性的做法可以把这步自动化到只剩人工判断。

补一个更省事的做法：很多站的这类内容其实已经在CMS里存过一份了——产品的净含量在商品字段里，媒体引用在“媒体报道”那个模块里，奖项在关于我们页面上。问题只是首页那张图没有引用它们，而是重新排了一遍版。把已有的字段渲染成HTML再叠图，比让设计重新导出一张图省事得多，也不用改视觉。

哪些字本来就该留在图里？

这篇不是在说“图上一个字都不能有”。有几类情况，字留在图上是对的，硬要搬进文本反而添乱。

产品包装上本来就印着的字——瓶身标签、成分表、条形码——那是拍摄对象的一部分，不是页面在说话。这类图的alt应该描述这是什么产品，而不是把标签逐字抄一遍。上面那些净含量之所以算漏，是因为它同时是页面在承诺的规格，而页面别处没写。判据是这句话是不是页面自己的主张，不是它出现在哪。

纯粹的装饰性文字，比如背景里虚化的招牌、模特衣服上的品牌字样、街景里的路牌，本来就不承载信息，把alt写成空字符串是正确写法，抄进去只会污染文本。

logo里的品牌名也不用重复抄。品牌名在title、导航、页脚、结构化数据里已经出现过很多遍，这次实测里logo文字基本都被词级口径判为“文本层有”，符合预期。

另外提醒一句反向的坑：不要为了补齐而把图上的字塞进alt再堆关键词。Google在同一份文档里明确说了，往alt里塞关键词会带来糟糕的用户体验，还可能被当成垃圾信号。alt本来就不是网页排名的杠杆，它的价值在可读性和图片搜索这两条线上，别指望它做别的。

顺带说，这一层的问题不止图片一种形态。规格书在屏幕上是好好的泰语、机器复制走却是另一串字符，PDF要被索引得先满足一堆条件，视频里说出口的话也得有文字版才算数，连OG图上的emoji都会在断行时裂成两个方块。同一个道理：换了介质，字就掉出了通道，而且换的时候不会有人提醒你。

要判断自己站上还有多少这样的地方，可以从页面结构与语义标签的整体体检入手，再配合把内容当结构化数据来生产的那套做法，把“这句话存在哪个字段里”这个问题在生产环节就定死，而不是在首页改版时临时决定。AI可见性审计里最常漏的那一层也是同一个毛病：能被读到的东西堆了很多，真正要紧的那几句反而没在里面。

最后一件事，改完要验。改alt、把图上文字搬进HTML这类动作，效果不会立刻反映在排名上，但用加上去再撤下来的对照方式测AI引用是能看出因果的。做之前先把当前状态存一份，后面才有得比。

常见问题解答

搜索引擎真的读不到图片里的文字吗？

准确的说法是：它有办法理解图片的内容，但不会把图上的文字当作页面正文来索引。Google的官方表述是结合alt文本、计算机视觉和页面内容来理解图片的主题。理解主题和抽取字符是两件事——它可能知道这是一张打折海报，但那个具体的折扣数字不会进入页面的文本索引，也不会成为可被引用的句子。生成式检索这边更直接，它切段和向量化用的是文本。

把图上的文字全部抄进alt，是不是就解决了？

对“不得不用文字图片”的场合，这是规范要求的做法。但不要把它当成通用解法。alt是一句替代文本，长段落塞进去对屏幕阅读器是灾难，对搜索引擎也容易被判为堆砌。更好的顺序是：能用HTML加CSS做出同样视觉的，就用HTML；实在要用图，再让alt承载图上那句话；如果那句话很长，把它同时写进图片附近的正文里。

用CSS背景图放文字，和用img有区别吗？

有，而且更糟。CSS背景图连alt这个位置都没有，没有任何标准通道可以给它挂替代文本。这次实测里6.1%的大图是背景图形式。如果背景图上印着字，只能靠在附近放一段可见文本或视觉隐藏文本来补，没有别的办法。

为什么这次要下载原图，而不是直接截屏？

因为截屏会把叠在图上面的HTML文字一起拍进去。那些字本来就在文本层里，OCR读到之后一比对当然能找到，结果就是“文本层覆盖得很好”的假象。下载原始图片文件，读到的字才确定来自像素本身。这个选择让数字变得更保守也更可信。

OCR会不会把纹理认成字，把结果做高？

会，所以这次做了三道防线。一是负例测试，纯噪点、渐变、纯色三张图的误报都是0。二是词过滤，长度不足3个字符、不含元音又不是数字的词一律丢掉，布料缝线被认出的那些两字母碎片过不了这关。三是置信度敏感性检查，门槛从0.6提到0.8，核心结论只动了2.2个百分点。人工标注的24张真图也验证过一轮，用来定的正是换引擎这个决定。

产品图上包装自带的文字，也算漏吗？

看那句话是不是页面自己的主张。瓶身上的品牌名、条码、装饰性文案属于拍摄对象，不算。但净含量、成分比例、功效声明这类东西，如果页面在别处没有写，那它事实上就是页面唯一一次说出这个规格，此时它算漏。判据不是这个字印在哪里，而是页面还有没有第二份。

这次的样本能代表所有独立站吗？

不能，得说清楚边界。样本是131个有一定规模的电商与消费品牌站，实际进入统计的114个，只看首页，桌面端1440宽视口，每站最多取8张最大的图。小型站、B2B站、内页、移动端都没覆盖，OCR只跑了英文与中文。可以拿来判断这个问题普遍到什么程度，不适合当成行业基准值引用。

权威参考资料