قام مارفن سبلت وجون مولر من فريق جوجل بنشر حلقة من بودكاست “ديجيتال فابلت” حول موضوع ملفات PDF، بعنوان «ملفات PDF في البحث: الفهرسة، الذكاء الاصطناعي والأخطاء الشائعة». تتناول الحلقة كيفية تحويل ملفات PDF للزحف والفهرسة، وكيفية معالجة جوجل للروابط والصور، بالإضافة إلى حدود حجم الملفات وما إذا كانت تظهر في نتائج البحث أو في أنظمة البحث عبر الذكاء الاصطناعي.
تنقسم الحلقة إلى الفصول التالية:
- 00:50 – هل يمكن حفظ ملف نصي LLMs.txt كملف PDF؟
- 01:56 – النص البسيط مقابل الحاويات الثنائية: ما الذي يميز ملفات PDF عن HTML؟
- 03:08 – داخل مسار تحويل جوجل: تحويل ملفات PDF إلى HTML للفهرسة.
- 05:08 – استخراج الصور والروابط من ملفات PDF.
- 06:04 – حدود الزحف، حجم الملفات، واختبار عتبات القطع.
- 08:35 – متى يكون من المناسب نشر ملف PDF؟
- 09:33 – هل تظهر ملفات PDF في نتائج البحث، والمراجعات عبر الذكاء الاصطناعي، وضعية الذكاء الاصطناعي؟
- 11:22 – أخطاء تقنية: الصفحات ذات التمويه، الصور الممسوحة ضوئياً، وإمكانية الوصول.
- 12:53 – تأخيرات الاتصال على الأجهزة المحمولة، قفل التنسيق، ومشكلات التكبير.
- 14:12 – تحديات التوحيد القياسي مع النسخ المكررة من الملفات الثنائية.
- 15:57 – البيانات الوصفية، حماية بكلمة مرور، وتحديث ملفات PDF.
- 18:59 – مشكلة توليد ملفات PDF تلقائيًا عبر أنظمة إدارة المحتوى الديناميكية.
- 21:08 – نقاش حول قوائم المطاعم: PDF مقابل صفحات الويب HTML.
- 23:00 – استخدام ملفات PDF في تحسين محركات البحث حسب الموقع والذكاء الاصطناعي.
هناك شرح تفصيلي لما تم مناقشته حول معالجة ملفات PDF من قبل جوجل، مع التركيز على كيفية التعامل معها وفهمها من قبل محركات البحث والذكاء الاصطناعي. يمكن تلخيص النقاط الرئيسية كالتالي:
- تحويل HTML: تعتبر ملفات PDF حاويات ثنائية وليست نصوصًا بسيطة، وخلال عملية الفهرسة، يستخدم جوجل محولاً ليحوّل الـ PDF إلى تمثيل HTML، مما يسهل التعامل معها كصفحات ويب عادية.
- الروابط والوسائط المدمجة: بما أن ملفات PDF تُحول إلى HTML، فإن الروابط النصية المدمجة تُحتفظ وتتم زحفتها بشكل طبيعي، لكن الصور المضمنة لا تمتلك روابط مباشرة مما يصعب إدراجها في بحث الصور.
- الظهور في البحث والذكاء الاصطناعي: يتم فهرسة وترتيب ملفات PDF باستخدام أنظمة مماثلة لتلك المستخدمة للـ HTML، ويمكن أن تظهر في نظريات الذكاء الاصطناعي وتكون متاحة لتدريب النماذج.
- حدود حجم الزحف: تستهدف جوجل ملفات PDF بحجم أكبر من صفحات HTML العادية، لكن لا توجد حدود دقيقة معلنة، حيث يتم تعديل حدود الزحف مع تطور معايير حجم الملفات.
التحديات التقنية وتجربة المستخدم تشمل:
- الملفات الممسوحة ضوئيًا والمركبة: إذا كانت ملفات PDF تتكون من صور ممسوحة ضوئيًا أو صفحات مرسومة، فإن محركات البحث لا يمكنها قراءة محتواها بدون تقنية التعرف الضوئي على الأحرف (OCR). يمكن للمسؤولين اختبار ذلك بنسخ النص ولصقه في محرر النصوص.
- مشكلات على الأجهزة المحمولة وإمكانية الوصول: يجب أن يُحمّل ملف PDF بالكامل قبل عرضه على الهاتف وأن يكون التصميم ثابتًا لا يتغير عند التكبير، كما يجب أن يكون قابلًا للوصول عبر قارئات الشاشة بشكل منظم.
- التوحيد القياسي والتكرار: بما أن الملفات المكررة تتطابق في المحتوى الثنائي، يصعب توحيدها عبر النطاقات المختلفة، ويمكن تقليل مشاكل التكرار باستخدام رؤوس rel=canonical، وملء بيانات التعريف في الملف، ووضع روابط واضحة إلى الموقع في رأس المستند.
- قيود الوصول: قفل بكلمة مرور يمنع عناكب البحث من قراءة أو فهرسة الملف.
أما بالنسبة للتكرار والتحديثات، فإن جوجل تتعامل مع ملفات PDF باعتبارها ملفات ثنائية ثابتة وتعيد فهرستها بمعدلات أقل مقارنة بصفحات HTML. لذلك، يفضل نشر ملف PDF جديد بدلاً من تحديث ملف موجود، خاصة عندما تستدعي الحاجة لتحديث المحتوى بسرعة. أدوات إدارة المحتوى التي تولد ملفات PDF تلقائيًا يمكن أن تسبب مشكلات بسبب التنافس في نتائج البحث.
نصائح لتحسين السيو تشمل:
- يفضل الاعتماد على صفحات HTML لأنها أكثر سهولة في التحديث ومتجاوبة مع الأجهزة المحمولة وأسرع في الفهرسة.
- استخدام ملفات PDF بشكل انتقائي، للمحتوى الذي يتطلب تنسيق طباعة ثابت أو نماذج للتحميل أو الوثائق الورقية، خاصة للمشاريع الصغيرة مثل المطاعم التي تضع قائمة طعام PDF إذا كان من الصعب إنشاء نسخة HTML مقابلة.
- الملفات النصية الموجهة للآلات مثل llms.txt يجب أن تظل في صيغة نص بسيط، فهي غير مناسبة للـ PDF التي تهدف لنقل النصوص بشكل خفيف وسهل.