站点里除了 HTML 頁面，往往還有一批 PDF 报告、产品图片、Excel 模板、白皮书压缩包。這些文件的收錄逻辑和普通網頁不一样：能被下载，不等于能被索引；能被索引，也不代表會出現在網頁搜尋结果里。
一、先把非 HTML 内容分成三類
- 带文本层的文档：Office 導出的 PDF、纯文本、HTML 版說明文件，正文可以被程序讀出来。
- 图片型文档：掃描件、拍照生成的 PDF、單張图片，没有可提取的文字。
- 压缩包與二進制文件：zip、exe、psd 等，内容對抓取程序基本不可讀。
分類的意义在于：第一類有被收錄的可能，第二類通常只能作為图片资源進入图片搜尋，第三類很难獨立获得索引，需要靠 HTML 頁面来承载信息。
二、文档類文件被收錄的前提
搜尋引擎處理 PDF 时，會尝试提取文本层、讀取文件标题元資料，再判断這份文件是否值得進入索引。几個常见的卡点：
- 文件是掃描图，没有文本层，程序只能看到一張图；
- 一份文件里塞了整套手册、合同、價目表，主题過于分散；
- 文件名是 final_v3_最终版.pdf 這類無意义命名；
- 文件体积過大，抓取时中途断開；
- 服務器對 /files/、/download/ 這類目錄做了 robots 屏蔽，或者响應头里带了 noindex。
三、图片的收錄入口和網頁不同
图片多數情况下是作為頁面的一部分被發現的，图片搜尋是另一套入口。想让图片更容易被理解，可以從這几處入手：文件名用可讀的描述、alt 寫清楚内容、图片周围有相關文字、避免所有图片都堆在一個图库里没有任何上下文。图片本身很少單獨出現在網頁搜尋结果中，所以不必為每一張配图都追求收錄，更重要的是它所在的那個頁面能不能被收錄。
四、给重要文件配一個 HTML 入口頁
這是比較稳的一種做法：不要只把文件丢在目錄列表里，而是為它建一個正常頁面，包含文件简介、适用场景、更新時間和下载連結。這样用戶和搜尋引擎都有机會先看到頁面，再從頁面進入文件。操作顺序可以按下面来：
- 確認這份文件确實有人會搜、會下载；
- 建一個 HTML 頁，正文寫清楚這份文件解决什么問题；
- 頁面里放一個指向文件的普通連結，而不是 JS 触發的下载按钮；
- 检查文件名、目錄權限、robots 規則和响應头，確認没有被誤屏蔽；
- 在 sitemap 中列出這個 HTML 頁面，文件本身是否需要單列，看實际需要。
五、哪些文件不必强求收錄
價格表、内部模板、大体积安装包、带版權限制的资料，通常不指望通過自然搜尋带来流量，也不必花精力去做收錄優化，甚至可以用 noindex 或登入後下载的方式控制訪問。判断标准很简單：這份文件如果出現在搜尋结果里，對站点有没有正向價值。
抓取和收錄是两件事：文件被下载了很多次，說明有人在用；但索引里没有它，說明程序没把它当成可獨立呈現的内容。這两件事的排查路径不一样，先分清再動手。