Google zet PDF’s om naar HTML, dan pas de index in

Google’s Martin Splitt heeft in de Search Off The Record-podcast uitgelegd hoe PDF-bestanden precies worden verwerkt. De kern: Google gebruikt een converter die een PDF omzet naar HTML, en indexeert vervolgens die HTML-versie. Niet het PDF-bestand zelf. John Mueller vulde aan dat dit ook verklaart waarom links in PDF’s gewoon werken, het zijn immers links in de HTML-representatie die Google doorloopt.

Wat je nu concreet moet weten

Afbeeldingen in PDF’s zijn waarschijnlijk geen factor. Splitt gaf toe dat Google weliswaar begrijpt dat er een afbeelding in een PDF zit, maar dat die niet als normale afbeelding door de image search pipeline gaat. Er is simpelweg geen aparte URL. Dit kan in de toekomst veranderen, maar reken er nu nog niet op.

Tekst moet selecteerbaar zijn. Splitt gaf een praktische test mee: kun je de tekst in je PDF selecteren en kopiëren naar een tekstbestand? Dan kan Google de PDF omzetten en indexeren. Is je PDF in feite een scan of een afbeelding, dan is indexering voor zoektekst niet realistisch.

PDF’s kunnen gewoon ranken, ook in AI Mode. Mueller bevestigde dat PDF’s kunnen verschijnen in AI Overviews en AI Mode, om dezelfde reden: Google indexeert ze als HTML. De rankinglogica is dezelfde als voor reguliere webpagina’s.

Bestandsgrootte is een grijs gebied. De precieze limiet voor PDF’s is intern niet volledig gedocumenteerd, zo bleek uit het gesprek. Splitt denkt dat de fetch-limiet voor PDF’s ruimer is dan voor HTML-pagina’s, vergelijkbaar met hoe dat werkt voor video’s. Maar zodra de PDF is omgezet naar HTML, gelden vermoedelijk de normale HTML-limieten.

Mijn mening: gebruik HTML tenzij je écht een reden hebt voor PDF

Ik zie dit bij klanten regelmatig misgaan: whitepapers, brochures en handleidingen worden als PDF gepubliceerd terwijl er geen enkele reden is om het niet gewoon in HTML te zetten. Splitt zei het zelf al: HTML is flexibeler en hij geeft dat de voorkeur. Mueller formuleerde het pragmatisch, als de keuze is tussen een PDF of helemaal geen content, kies dan voor de PDF. Maar als je toch de tijd investeert in content, zet het dan meteen goed neer als HTML-pagina.

Dit raakt ook aan hoe Google HTML als standaard beschouwt voor SEO: de signalen voor crawling, rendering en indexering lopen gewoon soepeler als je in HTML werkt. Minder omzettingsstappen, minder onzekerheid over wat er precies in de index belandt.

Check dit gewoon even: ga naar je PDF’s die je in Google wil hebben, probeer de tekst te selecteren. Als dat niet lukt, is je PDF voor Google zo goed als leeg. Dan heb je een prioriteit.

Bron: Search Engine Journal