站点运营里讨论收录，大多默认说的是 HTML 页面。但只要搜索蜘蛛能抓到的 URL，就不只有网页这一种。PDF 说明书、产品图、演示视频、压缩包，这些资源同样有自己的地址，也各自有被索引的可能。把它们当成“不算页面”放任不管，往往会在收录数据里留下说不清的缺口。
先分清：能被抓取、能被索引、能被展现
一件资源进入搜索结果，至少要过三关。第一，搜索蜘蛛要能通过站内入口或外链发现这个 URL；第二，服务器返回正常状态码和可识别的类型；第三，搜索引擎愿意把它当作独立结果呈现。很多非 HTML 资源卡在第三步，不是因为抓不到，而是因为搜索引擎认为它不值得单独占一个结果位。
抓取记录里有它，不代表索引里有它。判断资源收录情况时，先看抓取记录，再对照站内资源清单和搜索表现，不要只凭一次抓取就下结论。
几类资源的实际处理方式
HTML 页面
最常见也最完整，正文、标题、内链都能被解析，是收录的主体。
PDF 与 Office 文档
搜索引擎能读取其中的文字，所以一份结构清晰、有标题的 PDF 是有机会被单独收录的。但如果 PDF 只是页面内容的扫描图，或者正文散乱、没有文字层，收录价值就很低。更稳妥的做法是：页面上先放一段 HTML 摘要，PDF 作为附件链接，让用户和搜索引擎都有选择。
图片
图片一般通过图片搜索收录。影响它的是文件名、alt 文本、周边正文和自身尺寸、格式。图片通常不会替页面本身占一个普通搜索结果的位子，所以不要指望用图片去补页面的内容缺口。
视频
视频页面的收录取决于周边文字描述是否充分。只有播放器、没有文字说明的页面，搜索引擎很难判断主题。封面图、时长、简介都有帮助。
资源类 URL 的规范同样重要
- 同一份文件被复制到多个目录，会产生多个可访问 URL，建议保留一个主地址，其余用 301 或 canonical 归拢。
- 下载链接不要带一堆跟踪参数，否则同一文件会以多种写法被反复发现。
- 资源 URL 尽量可读，文件名用英文或拼音，避免纯数字哈希，便于人工排查。
- 被替换掉的旧文件应返回 404 或 410，而不是继续返回 200 的旧内容。
一个可以照着走的自查顺序
- 列清单：把站内所有非 HTML 的资源类型和相关 URL 明确出来。
- 看状态码：确认返回 200、301 还是 404，别让失效文件长期返回 200。
- 看可读性：PDF 有没有文字层，图片有没有 alt，视频页有没有文字描述。
- 看入口：资源有没有站内链接可达，还是只能靠外链或直接输入地址访问。
- 看重复：同一文件是否存在多个 URL 版本，是否需要收敛。
- 看规则与响应头：是否被 robots 规则挡住，或返回了 X-Robots-Tag 之类的指令。
几个容易踩的坑
- 把整个上传目录放开访问：大量临时文件、缩略图、备份文件被搜索蜘蛛发现，稀释了真正需要收录的 URL。
- 认为图片和 PDF 不用管：它们出问题时，占用的仍是同一份抓取资源。
- 把资源收录当成页面收录来考核：两者的口径、展现位置都不同，混在一起统计会得到误导性的结论。
回到站点运营的角度，非 HTML 资源的收录更像是一次清理：哪些文件值得被找到，哪些只是过程产物。把不值得收录的挡住，把值得收录的配上文字说明和稳定地址，收录数据的口径才会干净起来。