不少站点把重要信息做成图片、PDF 或者视频，页面上看起来信息很足，但爬虫拿到的只是一堆文件名和没有解释的链接。抓取本身可能没出问题，可读到的文字太少，后面的索引和展现就会受限。下面整理不同内容载体在收录上的差别，以及可以补哪些文字。
爬虫读的是文本，不是画面
爬虫拿到 HTML 后，会解析标签、提取正文、识别链接。图片、视频、Canvas 画布，以及部分靠脚本插入的内容，都不会自动变成文本。也就是说，用户眼睛看到的，和爬虫读到的，可能是两套东西。
一个简单的判断方法：把页面的样式和图片都关掉，剩下的文字能不能说清这页在讲什么。如果关掉之后几乎是空白，这页进入索引的难度通常比较大。
图片里的文字：靠 alt、图注和周边正文补
价格表、流程图、活动规则这类做成图片的内容，图上的字不会被直接读取。能帮上忙的主要是这几处：
- alt 属性：用一句话说明图片内容，不要堆词，也不要写成“图片1”。
- 图注与上下文：图片前后的正文段落，往往比 alt 更能说明它在页面里的位置和作用。
- 文件名：有意义的名字比 IMG_2043.jpg 稍好，但作用有限，不值得过度优化。
如果一张图承担了核心信息，更稳妥的做法是在同一页用文字把要点复述一遍，而不是只依赖 alt。
PDF、表格与附件：可以被索引，但有条件
主流搜索引擎确实会索引 PDF 等文档格式，前提是能被正常抓取、内容可提取、体积不过大。常见毛病有三个：扫描件没有文字层，整页等于一张图；文件太大，抓取被截断；文档本身缺少标题和基本信息。
- 扫描件加上 OCR 文字层，或者用 HTML 页面重写关键内容。
- 给文档起一个规范的标题，并在下载页写清楚文件里有什么、适合谁看。
- 下载地址保持稳定，避免每次生成有时效的临时链接。
- 重要的表格数据，尽量同时提供 HTML 版本。
视频、Canvas 与动态图表
视频要靠页面上的文字支撑，比如标题、简介、要点和字幕；纯 Canvas 或图片渲染的图表，爬虫基本拿不到数值。折叠区域如果内容本来就写在 HTML 里、只是被样式隐藏，通常还能读到；如果必须先点击、由脚本再插入内容，那就属于渲染执行的问题，需要单独排查。
把非文字内容翻译成可索引文字
不用把所有内容重新写一遍，抓住重点即可：核心结论、关键数据、适用条件，用几句话写在图文旁边。用户能快速了解，页面也多了一段可读文本。
要区分“抓取成功”和“进入索引”：爬虫来过、返回 200，说明抓取这一环没问题；页面上缺少可读文字，问题往往出在后面的内容判断环节，日志里不一定看得出来。
自查顺序
- 关闭图片和样式，看页面还剩多少有效文字。
- 核心图片是否有 alt，图片前后是否有说明。
- PDF 和附件能否直接打开、是否带文字层、体积是否过大。
- 下载页是否用文字描述了文件内容。
- 重要信息是否只存在于视频或画布里，需要补写文字版。