Google zet PDF-bestanden intern om naar HTML voordat ze worden geïndexeerd, en die geconverteerde versie kan vervolgens gewoon ranken in de zoekresultaten, in AI Overviews en in AI mode. Dat vertelden Google's Martin Splitt en John Mueller in een nieuwe aflevering van de podcast Search Off the Record, getiteld 'PDFs in Search: Indexing, AI & Pitfalls'.
De aflevering gaat uitgebreid in op hoe Google met PDF's omgaat: van de conversiepijplijn en linkverwerking tot bestandslimieten, canonicalisatie en de vraag wanneer een PDF eigenlijk de juiste keuze is.
Hoe Google PDF's verwerkt voor indexering
Een PDF is in de kern een binair containerbestand, geen platte tekst. Google gebruikt daarom een converter die de inhoud omzet naar een HTML-representatie, zodat de interne zoeksystemen het document kunnen behandelen als een reguliere webpagina.
Tekstlinks in een PDF blijven daarbij behouden en worden normaal gecrawld. Ingesloten afbeeldingen hebben echter geen eigen URL, waardoor ze doorgaans niet op dezelfde manier in Google Afbeeldingen terechtkomen als standaard webafbeeldingen.
Crawllimieten en technische valkuilen
Voor PDF's geldt een ruimere crawllimiet dan voor gewone HTML-pagina's, al maakt Google bewust geen exacte grens openbaar omdat die drempel met de tijd meeverandert met gangbare bestandsgroottes.
Een aantal praktische risico's komt steeds terug:
- Gescande of gerasteriseerde pagina's zijn onleesbaar zonder OCR; test dit door tekst uit de PDF te kopiëren en te plakken in een teksteditor.
- PDF's moeten volledig downloaden voordat ze op mobiel renderen en hebben een vaste printlayout die niet meeschaalt bij inzoomen.
- Wachtwoordbeveiliging blokkeert bots volledig, waardoor de inhoud nooit wordt gelezen of geïndexeerd.
- Identieke PDF's zijn exacte binaire duplicaten, wat canonicalisatie tussen domeinen lastig maakt.
Tegen dat laatste probleem helpen een rel=canonical HTTP-header, ingevulde PDF-metadata en een duidelijke link terug naar de eigen website bovenaan het document.
Waarom PDF's trager worden bijgewerkt
Google behandelt PDF's als relatief statische binaire bestanden, vergelijkbaar met afbeeldingen, en herCrawlt ze daardoor beduidend minder vaak dan HTML-pagina's.
Moet een bijgewerkte versie snel zichtbaar worden in de zoekresultaten, dan is het verstandiger om het bestand onder een nieuwe bestandsnaam of URL te publiceren in plaats van het bestaande bestand te overschrijven.
Een veelgemaakte fout is het automatisch laten genereren van 'print'-PDF's door een CMS als duplicaat van een live webpagina. Beide versies gaan dan met elkaar concurreren in de zoekresultaten, terwijl de PDF-versie door de tragere herCrawl sneller verouderd raakt.
Wanneer een PDF wél de juiste keuze is
Google's advies blijft HTML als standaard: het is makkelijker te bewerken, schaalt beter op mobiel en wordt sneller geïndexeerd.
Een PDF is wel verdedigbaar bij content die om een vaste printlayout vraagt, bij downloadbare formulieren of officiële documentatie. Voor een kleine onderneming zoals een restaurant noemt Google een PDF-menu acceptabel als een HTML-equivalent praktisch niet haalbaar is.
Eén uitzondering blijft hard: bestanden bedoeld voor machineconsumptie, zoals llms.txt, horen altijd platte tekst te zijn. Het hele nut van zo'n bestand vervalt zodra je het in PDF-vorm giet.
Bron: Search Engine Roundtable