John Mueller de Google a récemment expliqué comment Google traite les PDF à des fins de classement, comment il les indexe pour une utilisation en mode IA et dans la recherche régulière, et pourquoi il est capable d’utiliser les liens dans les PDF de la même manière que pour les pages Web HTML classiques.
Les PDF sont convertis en HTML
Martin Splitt de Google a expliqué que Google utilise un convertisseur pour transformer les PDF en HTML, puis indexe la conversion HTML, et non le PDF lui-même. Il a également exprimé son incertitude quant à savoir si les images des fichiers PDF seront ou non indexées. Il a semblé pencher en faveur de la possibilité qu’ils ne soient pas indexés et a déclaré que cet état pourrait changer à un moment donné dans le futur.
Il a expliqué :
« Et ce que nous faisons, c’est que nous n’utilisons pas de visionneuse PDF. … Ce que nous faisons dans la recherche, c’est que nous avons un composant appelé convertisseur. Et le composant convertisseur fait partie de ce qui se passe lors de l’indexation. Il se produit juste après le rendu et juste avant que quelque chose n’entre potentiellement dans l’index.
L’une des choses que nous faisons est d’examiner le format. Nous disposons de convertisseurs pour de nombreux formats différents, tels que les fichiers texte enrichi, les fichiers de documents, les feuilles Excel et les documents Lotus Notes pour une raison quelconque. Mais l’un d’eux est également un convertisseur PDF. Nous prenons donc cela et en produisons une version HTML afin que le traitement dans le reste du pipeline ne fonctionne pratiquement qu’avec HTML.
Cela exclut évidemment les images, les vidéos et yada yadayada – ceux-ci vont vers des pipelines légèrement différents – mais le pipeline Web normal utilise à peu près HTML pour tout.
Plus tard, il a expliqué comment Google gère les images dans les PDF :
« Je pense que nous pourrions réellement les récupérer. Je ne suis pas sûr de la manière dont nous les traiterions, car la façon dont nous les traitons normalement est de donner les URL de l’image au pipeline de recherche d’images qui fonctionne ensuite avec cela.
Ici, nous n’avons pas vraiment d’URL car elle fait partie du PDF. Je pense donc que nous comprenons qu’il existe une image, mais je ne pense pas que nous puissions réellement la traiter comme une image normale pour la recherche d’images. Mais cela pourrait changer ou aurait pu changer ; c’est ma compréhension actuelle du fonctionnement de ce pipeline.
Les liens fonctionnent dans les fichiers PDF
Google a également confirmé que les liens intégrés dans les PDF fonctionnent comme des liens, car c’est la version HTML du PDF qui est indexée, qui inclut les liens qui peuvent être suivis comme des liens normaux.
John Mueller a fait remarquer :
« En gros, lorsque Google voit un fichier PDF, il le convertit en quelque chose avec lequel il a plus de pratique, une sorte de page Web. Et je suppose que c’est aussi la raison pour laquelle des éléments tels que les liens fonctionnent également dans les fichiers PDF. «
Splitt a répondu :
« Oui. Parce que nous la convertissons en une page HTML et que le reste de nos systèmes se disent : « Je sais comment gérer une page HTML », et ils font simplement leur travail.
… Ainsi, beaucoup de choses peuvent être intégrées dans un PDF. Et lorsque nous le convertissons, nous le convertissons en une représentation en HTML aussi fidèle que possible à ce format d’origine. Nous pouvons ainsi voir des éléments tels que des liens, par exemple, à partir de fichiers PDF.
Limites de taille des PDF de Google
Mueller de Google a reconnu qu’ils ne savent pas tout et qu’ils essaient d’expliquer l’indexation et le classement des PDF en fonction de ce qu’ils savent.
Il a posé des questions sur les limites de taille des fichiers PDF.
« Je me rends compte que nous ne connaissons peut-être pas certaines de ces choses, alors nous essayons en quelque sorte d’extrapoler à partir de ce que nous savons. Savez-vous en ce qui concerne les limites, comme les limites de taille, comment cela fonctionne avec les PDF ? »
Splitt a répondu que la limite de fichiers pour les PDF est plus grande que les limites de taille des vidéos, mais qu’il ne connaissait pas la limite exacte. Il a ajouté qu’il pensait que les limites HTML normales s’appliquaient une fois le PDF converti, ce qui constitue une information utile.
Il a expliqué :
« La récupération du PDF a probablement une limite différente de celle de la page Web, mais il existe probablement une limite pour le type de représentation de la page Web.
Je ne sais pas vraiment où ces limites sont appliquées. Je sais que les limites HTML dont nous avons récemment discuté sur le podcast et dans la documentation proviennent également du composant d’exploration du pipeline. Ainsi, lorsque nous les explorons, comme nous devons explorer un document PDF et que les PDF peuvent être très volumineux, je suppose que nous avons une limite de fichiers plus grande, tout comme pour les vidéos et les images. Mais je ne connais pas la limite spécifique pour les fichiers PDF.
Plus tard, Splitt a déclaré que quelle que soit la limite de taille actuelle, elle pourrait changer à l’avenir s’ils détectent que les gens publient des PDF plus volumineux.
Les PDF peuvent être classés en mode recherche et IA
Martin Splitt a également confirmé que les PDF peuvent être classés en mode IA pour la même raison qu’ils peuvent être classés dans une recherche régulière. Google convertit les fichiers au format HTML puis les indexe comme ça.
Mais il a également mentionné que tous les PDF ne peuvent pas être classés pour le texte, car certains PDF sont comme des images. Il a suggéré que si vous pouvez surligner et copier le texte du PDF vers un fichier texte, Google pourra alors convertir le PDF en HTML à des fins de classement.
Splitt a expliqué le classement PDF de Google en réponse à la question de savoir si les éditeurs de sites devraient créer des PDF :
« Oui, bien sûr, si votre contenu le justifie. Par exemple, si vous avez des exigences de formatage spécifiques, ou si vous avez besoin que ces éléments aient un aspect vraiment très spécifique à l’impression, ou si vous avez besoin d’éléments interactifs comme des formulaires.
Donc, si vous gérez un pavillon de vacances et que vous publiez un formulaire qui vous permet de traiter plus facilement les personnes qui s’inscrivent pour séjourner dans votre pavillon de vacances, faites-le absolument au format PDF si cela vous aide.
Évidemment, le HTML est un format très flexible et je préfère cela, mais si vous avez un PDF pour une raison quelconque, allez-y. Les restaurants demandent souvent aux imprimeurs de créer les menus qu’ils impriment physiquement sur papier au format PDF, et vous pouvez simplement les télécharger sur votre site Web. C’est mieux que de ne pas avoir du tout votre menu sur le site Web.
… L’indexation et le classement sont à peu près les mêmes que pour n’importe quel autre document.
Mueller a ajouté :
« Ils peuvent donc également apparaître dans les aperçus de l’IA, le mode IA, toutes ces choses. »
Le HTML est probablement meilleur pour le référencement que le PDF
Plus tard dans le podcast, Mueller a exprimé que le HTML standard est probablement meilleur à des fins de classement. Cela ne diminue pas le pouvoir de classement des PDF, mais il existe un aspect pragmatique consistant à permettre aux moteurs de recherche de classer plus facilement les documents Web.
Il a exprimé cette idée pour la première fois en parlant des menus :
« Je vois les choses de manière un peu pragmatique. Si l’option est d’avoir un menu au format PDF ou de ne pas avoir de menu du tout, alors oui, je préférerais avoir un menu. Mais si l’option est un menu au format PDF plutôt qu’une page Web normale, j’aime un peu les pages Web normales car il est plus facile d’interagir avec elles. «
Puis plus tard, il a fait référence au commentaire de Martin sur l’indexabilité des PDF :
… D’un point de vue SEO, s’il s’agit d’un texte indexable – si vous essayez cette astuce mentionnée par Martin, en sélectionnant tout et en le plaçant dans un éditeur de texte – alors nous pouvons l’utiliser pour la recherche. Ce n’est pas que d’un point de vue SEO, ce soit impossible.
Puis plus loin, il a exprimé l’idée que si un propriétaire de site peut le faire en HTML, alors il doit le faire :
…si vous avez quelque chose que vous pouvez mettre en HTML et qui est identique à vos PDF, cela rend tout un peu plus facile.
Ce dernier point concernant la nécessité de rendre les choses un peu plus faciles touche au cœur fondamental de ce qu’est le référencement, qui permet aux moteurs de recherche d’explorer et d’indexer facilement le contenu d’un site Web.
Écoutez le podcast Search Off The Record ici :
