Vlákno názorů k článku Centrum je vždy u zdroje! od Petr Souček - Na fulltextu centrum je zajimave to, ze asi...

Na fulltextu centrum je zajimave to, ze asi jako jediny indexuje i pdf dokumenty.
Nevim, je-li to dobre nebo spatne.
V kazdem pripade to znamena, ze si administratori musi zapsat do robots.txt pedeefka, ktera se nemaji indexovat - treba my mame stovky megabajtu katalogovych listu, ktere nema smysl indexovat.

> Na fulltextu centrum je zajimave to, ze asi jako jediny > indexuje i pdf dokumenty. Nevim, je-li to dobre nebo spatne. > V kazdem pripade to znamena, ze si administratori musi zapsat do > robots.txt pedeefka, ktera se nemaji indexovat - treba my mame > stovky megabajtu katalogovych listu, ktere nema smysl indexovat.

Nemusi. Staci, kdyz u dokumentu bude uveden spravny Content-type. Pokud neci server o PDF tvrdi, ze jsou typu text/html, pak se nelze divit, ze je prohledavac naindexuje.

Michal Kara, NetCentrum

Nevim, proc to tvrdite - nase dokumenty davaji:
Content-type: application/pdf
a stejne je sleuth.centrum.cz cte.

Davat do robots.txt PDF dokumenty je prinejmensim neprozirave, protoze drive nebo pozdeji se objevi prohledavace, ktere budou schopny indexovat i text v nich obsazeny. To, ze nektere prohledavace indexuji nektera PDF jako text, je ovsem obvykle zpusobeno chybne nakonfigurovanymi HTTP servery, ktere u PDF uvadeji content-type text/plain.

Tak ted jsem dokonale zmaten. Jednak nae pdf davaji Content-type: application/pdf druhak pri dotazu mi bylo sdeleno, ze skutecne pdf jsou indexovana. Ale v clanku se pise, ze Martin Mares je (spolu)autorem a ze by to nevedel?
A k tomu robots.txt - to zalezi, co v tech pdf je. Pokud to jsou katalogove listy elektronickych soucastek, tak ty myslim opravdu nema cenu indexovat. Navody a manualy mozna ano.

Je pravdepodobne, ze jste v logu pozorovali stazeni .pdf souboru, ktere ve skutecnosti bylo jen prenesenim hlavicky dokumentu -- indexovaci robot pote rozpoznal, ze se jedna o nepodporovany typ souboru a spojeni ukoncil. Kazdopadne nyni jiz jsou pdf soubory filtrovany na urovni jmen, alespon do te doby nez je skutecne budeme umet zpracovavat. Za druhe: myslim si, ze i katalogove listy soucastek stoji za to indexovat -- nebo se snad necim vyrazne lisi od ostatnich informaci na Internetu vystavovanych?