多数人谈收录时只盯着 HTML 页面，但索引里同样存着大量非 HTML 资源：图片、PDF、Office 文档、视频。这些资源的收录逻辑和网页不完全一样，出问题时排查方向也不同。
图片收录：卡点通常在“被发现”这一步
图片不是凭空被抓取的对象，它需要一个入口。最常见的入口是在 HTML 里出现标准的 img 标签，或者被 a 标签直接链接。如果图片地址是页面加载后由 JavaScript 拼出来的，而爬虫没有执行到那一步，图片就可能长期不被发现。
常见卡点可以按顺序查：
- 图片所在页面本身没被抓取或没进索引，图片也很难被单独发现；
- 懒加载把真实地址放在自定义属性里，src 长期为空；
- 图片路径被 robots.txt 屏蔽，或返回 403、404；
- 地址是 data URI、base64 内嵌，或每次请求都变化的临时链接；
- 图片尺寸过小、与正文无关，即使被抓取也难进入图片索引。
alt 文本不直接决定收录，但它能帮助理解图片内容，也给图片一个更稳定的语义描述，值得认真写。
PDF 与文档：能读到的文本才可能被索引
PDF 里的文字对搜索引擎是可读的，前提是文件里真有文本层。扫描件、图片拼成的 PDF 就接近一个空页面，占着 URL 却没有可用内容。
另外几点容易被忽略：文件体积过大时，抓取可能只取到一部分；同一 URL 上的文档被替换后，索引更新往往比网页慢；文件名和目录尽量保持可读性，不要用一串哈希值。如果文档内容重要，更稳妥的做法是让 HTML 页面承载核心内容，PDF 只作为下载附件，而不是唯一载体。
视频收录：靠承载页面，而不是靠文件本身
视频文件一般不会被单独索引成一个可点击的结果。用户看到的视频结果，多来自承载视频的页面，并配合结构化数据描述时长、缩略图、发布日期等信息。如果视频托管在第三方平台，收录归属通常算在平台侧，你的站点只获得一个外链入口。
排查非 HTML 收录问题的顺序
- 确认资源是否在 HTML 里以标准标签暴露，地址是否稳定；
- 确认 robots.txt、meta 指令、登录墙没有误挡资源路径；
- 确认资源返回 200，Content-Type 正确，没有被 CDN 改写成错误类型；
- 在访问日志里找该资源 URL 的抓取记录，区分“没来抓”和“抓了没收”；
- 回到承载页面，看页面本身是否已被收录。
一个常见误解
把图片、文档列进站点地图，并不等于它们会被收录。站点地图只是提供一条发现线索，最终能否进入索引，仍取决于资源能否被正常抓取和解析。
结论很简单：非 HTML 资源的收录，先保证“能被发现、能被读到”，再谈其他。资源本身质量再高，如果地址是动态生成的、放在屏蔽目录下，或者只是一个没有文本层的扫描件，索引里就始终不会有它的位置。