[レベル: 中級]
Search Off the Record ポッドキャストのエピソード 115 では、Google 検索における PDF の処理をテーマに Search Relations チームの John Mueller(ジョン・ミューラー)氏と Martin Splitt(マーティン・スプリット)氏がディスカッションしました。
Google 検索では PDF はどのように処理されるのか
概要
PDF は、Google 検索に加えて AI Overviews、AI Mode でも通常の文書と同様に扱われます。
一方で、本文が文字として取り出せるか、更新の反映が遅いこと、モバイルでの使いにくさ、同一ファイルの転載による重複には注意が必要です。
同じ内容を HTML でも出せるなら、HTML のほうが扱いやすいというのが二人の基本的な立場です。
主要ポイント
ポッドキャストの主要ポイントをまとめます。
- Google は PDF を HTML に変換して処理する
PDF はバイナリ形式のコンテナです。Google の検索には「コンバーター (converter)」という処理があり、レンダリングの後、インデックス登録の前に動きます。PDF のほか、リッチテキスト、Word 文書、Excel なども HTML に変換され、以降のウェブ向けの処理は基本的に HTML だけを扱います。そのため PDF 内のリンクも認識されます。 - インデックスと順位付けは通常の文書と同じで、AI の機能にも表示され得る
コンバーターによって変換されるため、PDF は内部的には通常の HTML ページです。したがって、元が PDF だったかどうかは気にしないとマーティンは述べています。また、AI Overviews や AI Mode にも表示され得るという流れで、「良い SEO は良い GEO」とも述べています。
他社の AI システムが PDF を参照しているのを見たことがあるため、AI の学習やグラウンディングに PDF を使うだろうというのがジョンの推測です。ただし、マーティンは、Google が処理できても他社が処理できる、または処理したいとは限らないとも述べています。 - LLMs.txt を PDF にしない
「LLMs.txt を PDF で保存するのはどうか? Google は PDF を処理できるから、SEO にいいのでは?」とジョンが持ちかけると、マーティンは否定します。LLMs.txt の発想は、LLM が取り込みやすい、できるだけ単純な形式で情報を提供することなので、PDF はその目的に合わないからです。
ℹ️すずき補足:ここは冗談混じりのやりとり。Google 検索では LLMs.txt は単なるテキストファイル - 本文が文字として取り出せるかが最大の注意点
ページが画像として入っている PDF(ラスタライズされたページ)では、Google は中身を認識できません。確認方法は、全選択してコピーし、テキストエディタや Google ドキュメントに貼り付けることです。文字が出れば問題ありません。
画像だけの PDF は、PDF の作成側が配慮していない限り、スクリーンリーダーの利用者にも不利になります(マーティンの見立て)。スキャンした書籍のような PDF では、一部のシステムは OCR を使えるかもしれませんが、当てにできないとジョンは述べています。 - 印刷や書式固定には向くが、モバイルでは不利
特別な書式、印刷物の見た目、フォームなどが必要なら PDF を使ってかまいません。ただし、マーティンは HTML のほうが柔軟で好ましいとしています。モバイルでは、PDF は全体をダウンロードしてから表示されるため、回線や端末が遅いと HTML より遅く感じるからです。また、拡大しても文章が折り返されない PDF があり、印刷用のレイアウトが固定されている点が小さな画面では不便です。 - 更新は面倒で、反映にも時間がかかる
PDF の編集には専用ツールか、元ファイルからの再生成が必要です。ジョンの理解では、PDF は画像と同様にあまり変わらないファイルとして扱われ、頻繁には再取得されません。更新版に新しいファイル名を付けてリンクすれば、新しい URL として見つけてもらえます。
マーティンは、更新頻度に合わせて HTTP のキャッシュを設定することも勧めています。また、HTML ページから自動生成される PDF を放置すると、HTML は新しいのに検索上の PDF は古い、という食い違いが起こります。常に最新であるべき動的な内容の PDF は、クロールやインデックスの対象にしないほうがよいとされています。 - 同一ファイルの転載と、発行元へのリンク
PDF はバイナリのまとまりなので、他サイトに置かれると「ほぼ同じ」ではなく完全に同一になり、正規 URL の判断が難しくなります(画像と似た状況)。対策として、HTTP レスポンスのrel="canonical"リンクヘッダー(実施している人は少ないと思われる)と、PDF の冒頭に自サイトへのリンクを入れる方法が挙げられています。
作成者や説明などのメタデータを埋めることも勧められていますが、順位への効果には触れていません。パスワード保護をかけると検索エンジンは読めません。PDF を、robots.txt でブロックすることもできます。 - サイズ上限と埋め込み画像は不明
PDF の具体的なサイズ上限はマーティンも把握していません。取得時の上限は HTML より大きいだろうと推測し、上限は変わり得るので文書化に慎重だと説明しています。PDF 内の画像は独立した URL を持たないため、通常の画像検索と同じように処理されるかどうかは確信がなく、現状の理解にすぎないと断っています。書籍のように非常に長い文書で個々の箇所の関連性が分かりにくくなる問題は、巨大な HTML ページと同様だとジョンは述べています。
ℹ️すずき補足:ドキュメント上の仕様では、PDF の最初の 64MB を Google はクロールする - 用途と運用負担で選ぶ
飲食店のメニューについて、PDF か HTML かなら、拡大や折り返し、読み込み速度の点において HTML のほうが扱いやすい。ただし、メニューを載せない選択肢よりは PDF のほうがよく、小さな店なら既存の PDF だけでも十分としています。文字が取り出せる PDF なら、検索には使えるというのがジョンの見解です。
◇ ◇ ◇
公開する情報の用途に合わせて形式を選び、PDF を使う場合は、文字の抽出、発行元へのリンク、更新版の届け方を確認することが、この回の実践的なポイントです。
