指南 · PDF

PDF 白皮書會被 AI 引用嗎?該不該把內容放進 PDF

更新於 2026-11-09 · kagentx

簡答

Google 的官方文件明確說它能索引 PDF,並且取 PDF 的開頭 64MB;OpenAI 和 Perplexity 我們讀到的爬蟲頁面沒有提 PDF,寫官方未說明。所以不要只把內容放在 PDF 裡:用 HTML 頁放摘要和關鍵資料,PDF 當作可下載的版本,再用 HTTP 頭的 rel=canonical 指回 HTML 頁。

官方文件對 PDF 怎麼說?

只有 Google 的文件明確寫了 PDF。OpenAI 和 Perplexity 我們 2026-11-09 讀到的爬蟲頁面都沒有提 PDF,寫「官方未說明」,不猜。下面所有頁面都沒有標注「最後更新」日期,所以日期是我們的查看日期。

產品官方文件寫了什麼狀態
Google 搜尋「能索引的文件類型」頁把 PDF 列在需要專門解析器的編碼類文件裡,和 Word、Excel、PowerPoint、EPUB 等一起indexable-file-types 頁,2026-11-09 讀
Google 搜尋Googlebot 取 PDF 的開頭 64MB,普通受支援文件取開頭 2MB,按解壓後的資料算;超出的部分不交給索引googlebot 頁,2026-11-09 讀
ChatGPT 搜尋爬蟲頁只講 OAI-SearchBot 等爬蟲和 robots.txt,沒有提 PDF 或任何文件類型developers.openai.com 爬蟲頁,2026-11-09 讀;PDF 處理:官方未說明;幫助中心文章返回 403:未核實
Perplexity爬蟲頁沒有提 PDF 或文件類型docs.perplexity.ai 爬蟲頁,2026-11-09 讀;PDF 處理:官方未說明(只核對了這一頁)

所以「PDF 能不能被 AI 引用」只有 Google 這一家有明確答案:能索引。其他家沒有書面承諾,不能當作一定會。

Google 對 PDF 的幾個具體規則是什麼?

四條都出自 Google 的搜尋文件,2026-11-09 讀:

問題文件的說法
怎麼判斷是不是 PDF一般看 Content-Type 回應標頭;頭缺失或不對時,可能按擴展名,或換一個解析器再試
能讀多大PDF 取開頭 64MB;超過的部分,Googlebot 停止抓取,只把已經下載的部分交給索引
不想被索引非 HTML 文件用 X-Robots-Tag 回應標頭 noindex,文件給了 Apache 和 NGINX 的 PDF 例子
和 HTML 頁重複rel=canonical 可以寫在 HTTP 頭裡,文件寫明適用于非 HTML 文件如 PDF
# PDF served with the right type, a canonical pointing to the HTML page
HTTP/1.1 200 OK
Content-Type: application/pdf
Link: <https://example.com/whitepaper/>; rel="canonical"

# Keep a PDF out of the index (Google's documented way for non-HTML files)
X-Robots-Tag: noindex

重複內容的一般處理見 canonical 和重複內容:多語言站怎麼配,才不被當成重複頁?;robots.txt 擋住的文件,爬蟲讀不到它的回應標頭,所以要用 noindex 的話不要同時用 robots.txt 擋,寫法見 AI 爬蟲的 robots.txt 怎麼寫?。

該把內容放進 PDF 嗎?

把內容放在 HTML 頁面上,PDF 當作可下載的版本。原因是只有 Google 一家的文件寫明支援 PDF,其他家官方未說明,而普通網頁沒有這個不確定。下面是幾種常見內容怎麼放:

內容建議原因
白皮書、研究報告HTML 頁放摘要、關鍵資料和章節,PDF 作為下載摘要和資料直接在正文,AI 引用時不用解析文件
產品說明書、規格表做成 HTML 表格,PDF 另附規格、對比類內容用表格最容易被讀取
開發者文件只用 HTML文件要經常更新,PDF 容易過期
會議論文、學術 PDFPDF 可以保留,頁面上寫題目、作者、摘要,並連到 PDFGoogle 明確能索引 PDF;其他家:官方未說明
需要填表才能下載的 PDF摘要頁公開,文件本身另說爬蟲不會填表;摘要頁至少能被讀到

內容怎麼寫才容易被引用見 怎麼寫出 AI 願意引用的內容?改寫前後對照,開發者文件的做法見 開發者文件怎麼寫,AI 才讀得懂、引得到?。

怎麼讓 PDF 盡量被讀到?

  1. 1. 先做一個 HTML 摘要頁

    頁面上寫 PDF 的標題、一段摘要、關鍵資料和下載連結,PDF 的網址從這一頁鏈出去。

  2. 2. 確認 PDF 有文字層

    推斷:掃描圖片轉成的 PDF 沒有可複製的文字,解析器沒有文字可取。用 PDF 閱讀器能選中並複製文字,說明有文字層。

  3. 3. 回應標頭 Content-Type 設成 application/pdf

    Google 的文件說它主要按這個頭判斷類型。

  4. 4. 文件別超過限制

    Google 取開頭 64MB。內容靠後的重要部分,大文件裡可能進不了索引;把重點放前面,或者拆成幾個文件。

  5. 5. 重複的用 HTTP 頭指向 HTML 頁

    Link 頭的 rel=canonical,適用于 PDF。

  6. 6. 不想收錄的 PDF 用 X-Robots-Tag

    不要只靠 robots.txt。

  7. 7. 用日誌確認爬蟲真的取過

    看伺服器日誌裡有沒有爬蟲請求這個 .pdf,以及返回的狀態碼,見 HTTP 狀態碼對 AI 爬蟲有什麼影響?404、410、301、429、5xx。

我們沒有讀到任何 AI 產品公開說明 PDF 裡的內容怎麼被選進回答,也沒有找到 PDF 對比 HTML 的引用統計,所以這裡的建議是「穩妥的做法」,不是已知有效的做法。如果頁面靠指令碼生成,見 AI 爬蟲會執行 JavaScript 嗎?。

常見問題

AI 會引用 PDF 嗎?

Google 的文件明確列出 PDF 是它能索引的文件類型。OpenAI 和 Perplexity 我們讀到的爬蟲頁面沒有提到 PDF,ChatGPT 幫助文章讀不到,所以這兩家 PDF 會不會被抓取和引用:官方未說明。

該把內容只放在 PDF 裡嗎?

不建議。PDF 只有 Google 官方寫明支援,其他家官方未說明。把內容放在 HTML 頁上,PDF 當作可下載的版本,比只給 PDF 穩妥。

PDF 有大小限制嗎?

Google 的 Googlebot 文件寫明 PDF 取開頭 64MB,普通受支援文件取開頭 2MB,按解壓後的資料算,超過的部分不進索引。其他 AI 爬蟲有沒有限制,官方未說明。

PDF 和 HTML 頁內容一樣,會不會算重複?

可以用 HTTP 頭裡的 rel=canonical 把 PDF 指向 HTML 頁。Google 的文件寫明這個方法適用于非 HTML 文件如 PDF。其他搜尋系統是否識別,官方未說明。

不想讓某個 PDF 被索引怎麼辦?

用 X-Robots-Tag: noindex 回應標頭。Google 的文件寫明 PDF、影片、圖片這類非 HTML 文件用回應標頭而不是 meta 標籤。注意要讓爬蟲能抓到這個文件,被 robots.txt 擋住的文件讀不到這個頭。

出處

kagentx

你的頁面,爬蟲讀得到嗎?
讓評測告訴你

評測檢查爬蟲能不能進、正文是否直出,再把買家的問題拿去問 ChatGPT、Perplexity、Claude(開連網搜尋),看有沒有提到你。基礎版 $1,一般 2–3 分鐘出結果。