- A dokumentum önálló URL, nem az oldal része: a Google külön találatként kezeli, és külön is kizárható vagy beengedhető.
- A leggyakoribb ok, amiért egy PDF nem indexelődik: szkennelt kép, szövegréteg nélkül, vagy nincs rá egyetlen belső hivatkozás sem.
- PDF-be nem tehetsz meta robots címkét, ezért a noindex csak HTTP-fejlécen (X-Robots-Tag) keresztül működik.
- A robots.txt-ben tiltott fájl noindex fejléce sosem olvasódik be, tehát a tiltás nem egyenlő a kizárással.
- Az AI-válaszmotorok darabokra bontva dolgozzák fel a dokumentumot, ezért a jól tagolt, címsorokkal ellátott fájlból nagyobb eséllyel lesz idézhető részlet.
Ha valaki beírja a keresőbe, hogy „dokumentum indexelés”, rendszerint nagyon konkrét gondja van. Feltöltött egy PDF-et: egy szabályzatot, egy termékkatalógust, egy adatlapot, egy letölthető útmutatót, és az sehogy nem jelenik meg a Google-ben. Vagy pont fordítva: megjelenik egy belső dokumentum, amit senkinek nem szánt. Ez a cikk mindkét irányra végigvezetett választ ad, és kitér arra is, ami az elmúlt időszakban ugyanennyire fontossá vált: hogyan kerül be ugyanaz a fájl az AI-válaszmotorok forrásai közé.
Mit jelent pontosan a dokumentum indexelés?
A dokumentum indexelés az a folyamat, amelynek során a kereső letölti a fájlt (PDF, DOCX, XLSX, PPTX, TXT), kinyeri belőle a szöveget, feldolgozza a szerkezetét, és eltárolja az indexében, hogy keresésekre találatként vissza tudja adni. Három egymást követő lépésről van szó, és mindhárom külön elromolhat.
Az első a bejárás: a robot eljut a fájl URL-jére, és le tudja tölteni. A második a kinyerés: a fájlformátumból valódi, karakteres szöveg lesz. A harmadik az indexbe vétel: a rendszer eldönti, hogy egyáltalán érdemes-e tárolni, és milyen címmel, milyen kivonattal. Ha bárhol elakad a lánc, a végeredmény ugyanaz: nem jön ki a keresésre.
A legfontosabb szemléleti dolog, amit érdemes rögtön elfogadni: a dokumentum önálló URL. Nem az oldal része, nem az oldal alá tartozik, hanem saját címe van, amit a kereső saját találatként listáz, saját címmel és saját leírással. Ebből következik minden további: külön kell hozzá belső hivatkozás, külön kell neki cím, és külön is kizárható.
Kétféle dokumentum indexelés létezik, melyikre gondolsz?
A kifejezés két, teljesen különböző dolgot takar: a kereső általi indexelést (nyilvános fájl, hogy megtalálják), és az iratkezelési indexelést (belső dokumentumok metaadatozása, hogy a cégen belül visszakereshetők legyenek).
Az iratkezelési oldalon a feladat a digitalizálás, az OCR és a metaadatok kiosztása: iktatószám, dátum, partner, ügytípus. Az a kérdés, hogy a saját munkatársad megtalálja-e a szerződést. Ez a cikk a másik ágról szól: hogyan lesz egy nyilvános dokumentumod megtalálható a Google-ben és idézhető az AI-válaszokban. A kettőben egyvalami közös, és ez nem véletlen: mindkettő azon bukik el leggyakrabban, hogy a fájlban nincs valódi szöveg, csak kép.
Milyen fájltípusokat indexel egyáltalán a Google?
Hivatalosan igazolt: a Google Search Central külön listát tesz közzé az indexelhető fájltípusokról. A gyakorlatban ez a lista lefedi mindazt, amivel egy hazai kkv találkozik:
- PDF (a leggyakoribb eset)
- Word: DOC, DOCX
- Excel: XLS, XLSX
- PowerPoint: PPT, PPTX
- OpenOffice és LibreOffice formátumok (ODT, ODS, ODP)
- egyszerű szöveg: TXT, RTF, CSV, valamint forráskód-kiterjesztések
Hivatalosan igazolt: a Google a PDF-ekben található hivatkozásokat is követni tudja, tehát egy dokumentumból kifelé mutató link nem vész el. Saját tapasztalat: a PDF-ek a gyakorlatban gyengébben teljesítenek, mint egy ugyanolyan tartalmú HTML-oldal, mert nincs bennük belső linkstruktúra, nem alakíthatók rugalmasan, és a kivonatuk gyakran csúnyán jelenik meg a találati listán. A formátum tehát nem tiltott, csak hátrányból indul.
Miért nem indexelődik a PDF-em?
A leggyakoribb ok, hogy a fájl technikailag nem tartalmaz szöveget, vagy nem vezet hozzá egyetlen bejárható út sem. Menj végig ezen az ellenőrzőlistán, ebben a sorrendben, mert felfelé haladva egyre ritkább okok jönnek:
- Nincs szövegréteg. Nyisd meg a PDF-et, és próbáld kijelölni benne a szöveget. Ha nem megy, akkor a fájl egy szkennelt kép, és a kereső legfeljebb korlátozottan boldogul vele.
- Nincs rá belső hivatkozás. A fájl fent van a szerveren, de sehonnan nem mutat rá link. A robot nem tud olyan URL-ről, amit senki nem említ.
- A robots.txt tiltja. Egy
Disallow: /wp-content/uploads/típusú sor a teljes feltöltési könyvtárat kizárja a bejárásból. - X-Robots-Tag noindex a fejlécben. Sok tárhely és biztonsági bővítmény alapból ezt küldi a letölthető fájlokra, anélkül hogy szólna róla.
- Bejelentkezés vagy IP-korlát mögött van. Ha a robot nem éri el bejelentkezés nélkül, nem is fogja indexelni.
- Nagyon nagy fájl. A többszáz megabájtos katalógusnál előfordul, hogy a feldolgozás félbemarad.
- Duplikáció. Ugyanaz a PDF több URL-en, vagy a PDF tartalma szó szerint megegyezik egy HTML-oldaléval. Ilyenkor a kereső jó eséllyel csak az egyiket tartja meg.
Saját tapasztalat: a hazai weboldalaknál messze a második pont, a hiányzó belső hivatkozás a leggyakoribb ok. A dokumentum feltöltésre kerül a médiatárba, de a szövegben senki nem hivatkozik rá, vagy csak egy olyan aloldalról, ami maga sincs indexelve.
Hogyan tedd indexelhetővé a dokumentumot lépésről lépésre?
Hét lépés, amivel egy nyilvánosnak szánt dokumentum eljut az indexbe. Érdemes ebben a sorrendben haladni, mert a korábbi lépések nélkül a későbbiek nem érnek semmit.
- Csinálj valódi szöveget. Ha szkennelt anyagról van szó, futtass rajta OCR-t (a legtöbb PDF-szerkesztő és sok ingyenes eszköz tudja), majd ellenőrizd kijelöléssel, hogy tényleg kimásolható-e a szöveg. Ha eleve Wordből exportálod, ez adott.
- Adj neki rendes címet a fájl metaadataiban. A dokumentum tulajdonságainál állítsd be a Title mezőt beszédesre. Ha ez üres, a kereső a fájlnévből vagy az első sorból tákol össze valamit, és az ritkán néz ki jól.
- Nevezd el értelmesen a fájlt. A
kerti-butor-katalogus-2026.pdfjobb kiindulás, mint adoc_final_v3.pdf. Ékezet és szóköz nélkül, kötőjellel. - Tagold címsorokkal. A Wordben használt beépített címsorstílusok az exportált PDF-ben is szerkezetet adnak. Ez egyszerre segíti a kereső szövegkinyerését és a képernyőolvasókat.
- Hivatkozz rá egy indexelt oldalról. Legyen egy HTML-aloldal, ami bevezeti a dokumentumot pár bekezdésben, és onnan mutat rá a link, beszédes horgonyszöveggel. Ez az egyetlen leghatásosabb lépés.
- Tedd be a sitemapba. A dokumentum URL-je ugyanúgy szerepelhet az XML oldaltérképben, mint bármelyik oldal, utolsó módosítás dátumával együtt.
- Ellenőrizd a HTTP-fejlécet. Nézd meg, hogy a válaszban nincs-e noindex, és hogy a válaszkód 200-e. Ehhez elég a böngésző fejlesztői eszközeinek Network fülén rákattintani a fájlra.
Szakmai feltételezés: ha egy dokumentumhoz tartozik egy jól megírt bevezető HTML-oldal, akkor hosszabb távon jellemzően az az oldal hozza a forgalmat, nem maga a PDF, és a fájl inkább letöltésként teljesít. Ez nem baj: általában ez a kívánatos felállás, mert az oldalon tudsz mérni, hivatkozni és tovább terelni.
Hogyan zárj ki egy dokumentumot az indexből?
PDF-be nem tehetsz meta robots címkét, ezért a kizárás egyetlen megbízható módja a HTTP-válaszfejléc. Az X-Robots-Tag: noindex fejléc pontosan azt csinálja nem HTML-fájlokon, amit a meta robots címke csinál a weboldalakon.
Apache alatt, .htaccess-ben egy FilesMatch blokkban a pdf kiterjesztésre: Header set X-Robots-Tag "noindex, noarchive"
Nginx alatt: location ~* \.pdf$ { add_header X-Robots-Tag "noindex"; }
Hivatalosan igazolt, és ez a legtöbbször elrontott pont: ha a fájlt a robots.txt-ben letiltod a bejárás elől, a kereső soha nem fogja beolvasni a noindex fejlécet, mert le sem tölti a választ. A tiltott URL ettől még megjelenhet a találatok között, cím és kivonat nélkül. Ha tehát ki akarsz zárni valamit, engedd bejárni, és noindexeld. A robots.txt a bejárási terhelés szabályozására való, nem a titkolózásra.
Ami valóban bizalmas (szerződés, ajánlat, belső szabályzat), az ne noindexszel legyen védve, hanem hitelesítés mögé kerüljön. A noindex nem hozzáférés-védelem: aki tudja az URL-t, az megnyitja.
Hogyan ellenőrizd, hogy indexelve van-e a dokumentum?
Három eszközzel, egymást kiegészítve: a site: operátorral, a Search Console URL-ellenőrzőjével és a szerver válaszfejlécének megnézésével.
- Gyors kép: írd be a keresőbe a
site:domain.hu filetype:pdflekérdezést. Így nagyjából látod, hány dokumentumod van fent. Ez tájékoztató jellegű, nem pontos leltár. - Pontos állapot: a Search Console URL-ellenőrző eszközébe illeszd be a dokumentum teljes URL-jét. Megmondja, hogy szerepel-e az indexben, és ha nem, jellemzően azt is, hogy miért nem.
- Technikai ok: a Search Console Oldalak jelentésében szűrj a kizárási okokra. A „noindex címkével kizárva” és az „indexelve, bár a robots.txt blokkolja” sorok pont a fenti két hibát mutatják.
Saját tapasztalat: a dokumentumok indexelése lassabban áll be, mint a HTML-oldalaké, és ingadozik. Egy hétnél rövidebb időtávon nem érdemes következtetést levonni belőle, és a kikerülés-visszakerülés önmagában nem hiba.
Mit jelent a dokumentum indexelés az AI-válaszmotoroknál?
Az AI-rendszerek nem egészben tárolják a dokumentumot, hanem darabokra (chunkokra) bontják, és ezekhez a darabokhoz rendelnek jelentés alapú keresési mutatókat. Amikor valaki kérdez, a rendszer nem a teljes fájlt olvassa el, hanem néhány releváns darabot emel ki belőle, és abból fogalmaz választ.
Ennek egyetlen gyakorlati következménye van a te oldaladra nézve: a jól tagolt dokumentumból értelmes darabok lesznek, a tagolatlanból kásás. Ha egy fejezet önmagában is érthető, ha a címsor megmondja, miről szól, ha a számokhoz oda van írva a mértékegység és a vonatkozási időszak, akkor a kiemelt részlet önmagában is megáll. Ha a lényeg egy kétoldalas, cím nélküli szövegtömbben van elrejtve, akkor a kiemelt darab félrevezető lesz.
Hivatalosan igazolt: a nagyobb AI-szolgáltatók dokumentálják a saját robotjaikat (például a GPTBot, a ClaudeBot, a PerplexityBot és a Google-Extended azonosítót), és leírják, hogyan engedheted vagy tilthatod őket a robots.txt-ben. Szakmai feltételezés: az, hogy ezek a robotok pontosan milyen mélységben dolgozzák fel a PDF-eket, formátumonként és szolgáltatónként eltér, és nem nyilvános részletesen. Ezért óvatos, de védhető alapszabály: ha egy információ fontos, ne csak PDF-ben létezzen. Legyen ott HTML-ben is, tagolva, olvashatóan. Ez nem garantál idézettséget, de láthatóan növeli az esélyét.
Strukturált adattal is segítheted a gépi értelmezést: a Schema.org kínál dokumentumhoz illő típusokat, amivel a bevezető oldalon jelezheted, milyen fájl tartozik hozzá, milyen formátumban és mikori kiadásban.
Mikor ne PDF legyen a dokumentumod?
Ha az információ rendszeresen változik, ha mobilon is olvasni fogják, vagy ha keresésből érkező forgalmat szeretnél rá, akkor HTML-oldal legyen, nem PDF.
PDF akkor indokolt, ha a formátum maga is számít: nyomtatható adatlap, hivatalos formanyomtatvány, aláírt szabályzat, tervrajz, olyan katalógus, amit a partner letölt és elküld tovább. Minden más esetben a HTML-oldal jobb: gyorsabban tölt, mobilon olvasható, belülről tudsz benne linkelni, tudod mérni a viselkedést, és bármikor javíthatod egyetlen fájlcsere nélkül.
Jó gyakorlat a kettő párosítása: a lényeg kikerül egy rendes aloldalra, a letölthető változat pedig ott lóg mellette. Így a kereső és az AI-válaszmotor a jól strukturált oldalt látja, a felhasználó pedig megkapja a nyomtatható fájlt is.
Források és további olvasnivalók
- Google Search Central: Indexelhető fájltípusok a Google Keresésben
- Google Search Central: Robots meta tag, data-nosnippet és X-Robots-Tag specifikáció
- Google Search Central: Bevezetés a robots.txt fájlba
- Google Search Central: URL-ellenőrző eszköz és az Oldalak indexelése jelentés súgója
- Google Search Central: Google-Extended felhasználói ügynök dokumentációja
- OpenAI dokumentáció: GPTBot és a keresési robotok viselkedése
- Anthropic dokumentáció: ClaudeBot és a webes hozzáférés szabályai
- Schema.org: DigitalDocument, DataDownload és MediaObject típusok
- W3C: PDF/UA és a dokumentum-hozzáférhetőség alapelvei
- ISO 32000 szabvány: a hordozható dokumentumformátum specifikációja
Gyakori kérdések
Miért nem jelenik meg a PDF-em a Google-ben, pedig fent van a szerveren?
A leggyakoribb ok, hogy nincs benne kijelölhető szövegréteg (szkennelt kép), vagy hogy egyetlen indexelt oldalról sem mutat rá hivatkozás. Ezek után érdemes megnézni a robots.txt-t és a HTTP-válaszfejlécet, mert sok tárhely alapból noindex fejlécet küld a letölthető fájlokra.
Elég a robots.txt-ben letiltani a PDF-et, ha nem akarom, hogy megtalálják?
Nem. A robots.txt csak a bejárást tiltja, így a kereső el sem olvassa a noindex utasítást, és a URL cím nélkül továbbra is megjelenhet a találatok között. A megbízható megoldás az X-Robots-Tag noindex fejléc bejárható fájlon, bizalmas anyagnál pedig a bejelentkezés mögé tétel.
Hogyan adhatok címet és leírást egy PDF-nek a találati listán?
A dokumentum tulajdonságainál (Title metaadat) állítsd be a címet, mielőtt exportálod. Ha ez üres, a kereső a fájlnévből vagy az első szövegsorból állít össze valamit. A kivonatot a fájl első bekezdései befolyásolják, ezért érdemes a lényeggel kezdeni.
Rosszabb-e a PDF, mint egy sima weboldal a keresés szempontjából?
A PDF nem tiltott formátum, a Google indexeli és a benne lévő hivatkozásokat is követi, de hátrányból indul: nincs belső linkstruktúrája, mobilon nehezebben olvasható, és nehezebben mérhető. Ha az információ változik vagy forgalmat várnál rá, HTML-oldal a jobb választás, a PDF pedig maradjon letölthető melléklet.
Bekerülnek-e a dokumentumaim az AI-válaszokba?
Az AI-rendszerek darabokra bontva dolgozzák fel a szöveget, és onnan emelnek ki részleteket. Hivatalosan dokumentált, hogy a nagyobb szolgáltatók saját robotokkal járják be a webet, és ezek a robots.txt-ben szabályozhatók. Az viszont nem nyilvános részletesen, milyen mélységben dolgozzák fel a PDF-eket, ezért a fontos információ ne csak fájlban létezzen.
Mennyi idő alatt indexelődik egy feltöltött dokumentum?
Nincs rá garantált határidő, és a dokumentumok jellemzően lassabban kerülnek be, mint a HTML-oldalak. Segít, ha a fájl szerepel az XML oldaltérképben, és ha egy már indexelt aloldalról hivatkozol rá. Egy hétnél rövidebb időtávon nem érdemes következtetést levonni az állapotából.
Források és további olvasnivalók
Ezen az oldalon a hivatalosan igazolt információt elsődleges forrásokból építjük fel; a saját tapasztalatot és a szakmai becslést mindig külön jelöljük a szövegben.