Quels types de fichiers Google peut-il indexer ?

Google n’indexe pas seulement des pages HTML. Le moteur sait aussi lire le contenu de nombreux fichiers texte et de certains formats de documents encodés, comme les PDF ou les fichiers Word. Pour identifier le format d’un fichier, Google se fie d’abord à l’en-tête HTTP Content-Type renvoyé lors de l’exploration ; en son absence ou en cas d’erreur, il peut se rabattre sur l’extension du fichier ou tenter une nouvelle analyse.

Pour le SEO, c’est une bonne nouvelle : vos documents téléchargeables (catalogues PDF, présentations, feuilles de calcul) peuvent eux aussi apparaître dans les résultats de recherche. Encore faut-il que leur en-tête Content-Type soit correct et qu’ils soient accessibles à Googlebot. Ces fichiers se gèrent comme des URL à part entière, avec les mêmes leviers de canonisation et de blocage que vos pages : un PDF peut ainsi recevoir une URL canonique comme n’importe quelle adresse.

Google classe les fichiers qu’il sait indexer en trois grandes catégories : les fichiers plats en texte brut, les fichiers encodés qui nécessitent un analyseur spécifique, et les formats multimédias. Le tableau ci-dessous résume ces familles avec des exemples d’extensions concrètes tirées de la documentation officielle.

Pour savoir ce que Google a indexé d’un type de fichier précis, utilisez l’opérateur filetype dans la recherche. La requête filetype:rtf galway, par exemple, renvoie les fichiers RTF et les URL se terminant par .rtf dont le contenu mentionne le terme galway. C’est un moyen rapide de contrôler la présence de vos documents dans l’index et de repérer d’éventuels fichiers que vous ne souhaitiez pas voir apparaître.

Si certains documents n’ont pas vocation à être indexés, vous disposez des mêmes leviers que pour vos pages : un fichier robots.txt pour bloquer l’exploration, ou l’en-tête HTTP X-Robots-Tag pour appliquer une règle noindex à des fichiers non HTML. À l’inverse, pour gérer les doublons entre plusieurs versions d’un même document, l’URL canonique reste la meilleure réponse.

Savoir que Google indexe les documents change la façon de gérer vos fichiers téléchargeables. Un catalogue PDF, une présentation ou une feuille de calcul peuvent capter du trafic de recherche au même titre qu’une page. Ils deviennent alors des points d’entrée à part entière vers votre site, qu’il faut penser comme tels.

Cela implique aussi de garder le contrôle. Certains documents internes ou obsolètes n’ont pas vocation à apparaître dans les résultats. Comme pour vos pages, vous pouvez en bloquer l’exploration ou demander leur exclusion de l’index, et regrouper les versions multiples d’un même document sous une seule URL canonique pour éviter les doublons.