Loại trang và file google có thể lập chỉ mục
Google có thể lập chỉ mục (index) nhiều loại trang và định dạng file khác nhau, bao gồm HTML, PDF, Word, Excel, PowerPoint, hình ảnh và video. Tuy nhiên, Google KHÔNG lập chỉ mục nội dung bên trong các file nén (ZIP, RAR) hoặc file thực thi (EXE).
Bài viết này sẽ phân tích chi tiết cơ chế đọc file của Googlebot, loại file nào hỗ trợ SEO và cách ngăn chặn rò rỉ dữ liệu nhạy cảm trên kết quả tìm kiếm.
Lập chỉ mục (Indexing) là gì?
Lập chỉ mục (Indexing) là quá trình Googlebot phân tích, hiểu nội dung của một trang hoặc file sau khi thu thập dữ liệu (crawl) và lưu trữ thông tin đó vào cơ sở dữ liệu Google Index. Khi một URL đã nằm trong chỉ mục, nó mới có đủ điều kiện để xuất hiện trên trang kết quả tìm kiếm (SERP).
Trong kỹ thuật SEO, cần phân biệt rõ 3 giai đoạn cốt lõi:
- Crawl (Thu thập dữ liệu): Googlebot phát hiện URL và tải nội dung về.
Index (Lập chỉ mục): Google phân tích nội dung, thẻ meta, cấu trúc dữ liệu và lưu vào hệ thống. - Rank (Xếp hạng): Google trích xuất dữ liệu từ Index để trả về kết quả phù hợp nhất với truy vấn của người dùng.
- Một trang có thể được crawl nhưng không được index nếu nội dung trùng lặp, chất lượng thấp, hoặc bị chặn bởi thẻ noindex. Tương tự, một file PDF hướng dẫn sử dụng trên website hoàn toàn có thể được Google crawl, trích xuất toàn bộ văn bản và index như một "trang" độc lập.
Crawling là gì? Cách Googlebot thu thập dữ liệu website
Tại sao việc hiểu loại file được index lại quan trọng?
Nhiều quản trị viên website vô tình để lộ các tài liệu không nên xuất hiện công khai (báo giá PDF, file backup .zip, danh sách khách hàng .xlsx) vì lầm tưởng rằng Google chỉ index các trang HTML. Ngược lại, một số người làm SEO lại lãng phí tài nguyên khi cố gắng tối ưu từ khóa cho những file mà Google không thể đọc được nội dung (như file nén).
Trong thực tế, vào năm 2021, nhiều doanh nghiệp tại Việt Nam đã gặp sự cố rò rỉ dữ liệu khi các file Excel chứa thông tin nội bộ (đặt trong thư mục /uploads/ nhưng không chặn robots.txt) bị Google index. Bất kỳ ai cũng có thể tìm thấy các file này thông qua kỹ thuật Google Dorking (site:domain.com filetype:xlsx).
Việc nắm vững cơ chế index file giúp bạn:
- Chủ động kiểm soát dữ liệu nào được phép xuất hiện trên Google.
- Tận dụng các tài liệu (PDF, Word) để tăng điểm chạm từ khóa hợp lệ.
- Tối ưu ngân sách thu thập dữ liệu (crawl budget) bằng cách loại bỏ các file không cần thiết.
Các loại trang phổ biến Google có thể lập chỉ mục
Trang HTML tĩnh và động
HTML là định dạng cốt lõi của môi trường web. Google index rất tốt cả trang HTML tĩnh (static - nội dung cố định trong file) và trang động (dynamic - nội dung sinh ra từ database thông qua các CMS như WordPress, Shopify, Website AI).
<!-- Trang HTML tĩnh cơ bản -->
<!DOCTYPE html>
<html lang="vi">
<head>
<title>Hướng dẫn SEO Onpage 2025</title>
<meta name="description" content="Tài liệu chuẩn SEO Onpage từ SEO Doctor.">
</head>
<body>
<h1>Hướng dẫn SEO Onpage</h1>
</body>
</html>Trang được render bằng JavaScript (SPA, React, Vue)
Theo tài liệu từ Google Search Central, Googlebot hiện tại là một "Evergreen Googlebot" chạy trên nền tảng Chromium mới nhất. Điều này có nghĩa là Google có khả năng render (kết xuất) và index nội dung sinh ra từ JavaScript. Tuy nhiên, quá trình render JS yêu cầu hai đợt xử lý (Two-wave indexing), tiêu tốn nhiều tài nguyên crawl budget hơn và có nguy cơ sót nội dung nếu script bị lỗi hoặc timeout.
Trang AMP (Accelerated Mobile Pages)
Google vẫn crawl và index các trang AMP hợp lệ. Tuy nhiên, từ năm 2021, Google đã chính thức loại bỏ yêu cầu AMP đối với tính năng Top Stories (Tin bài hàng đầu) và không còn ưu tiên định dạng này trong xếp hạng mobile.
Hiện tại, AMP chỉ được đối xử như một trang HTML thông thường. Bạn cũng nên cân nhắc thật ký về AMP bởi lẽ khi bạn đã thêm AMP rồi thì đừng gỡ AMP ra bởi sẽ gặp rất nhiều
File PDF, Excel, ZIP, EXE: Loại nào Google index được?
Đây là phần dễ gây nhầm lẫn nhất trong kỹ thuật SEO. Dựa trên tài liệu chính thức của Google, dưới đây là phân loại chi tiết về khả năng đọc và lập chỉ mục nội dung file.
Các file Google CÓ THỂ lập chỉ mục nội dung
Google có khả năng trích xuất văn bản (text) và liên kết (links) từ các định dạng tài liệu phổ biến sau:
| Loại file | Đuôi file | Khả năng đọc nội dung của Google |
|---|---|---|
| Adobe PDF | ✅ Có (Đọc toàn bộ text, nhận diện link) | |
| Microsoft Word | .doc, .docx | ✅ Có |
| Microsoft Excel | .xls, .xlsx | ✅ Có (Đọc text bên trong các cell) |
| Microsoft PowerPoint | .ppt, .pptx | ✅ Có |
| OpenOffice | .odt, .ods, .odp | ✅ Có |
| Rich Text Format | .rtf | ✅ Có |
| Plain text | .txt | ✅ Có |
| Hình ảnh | .jpg, .png, .webp, .svg | ✅ Có (Lập chỉ mục qua Google Images dựa vào alt text, ngữ cảnh và OCR) |
Một số có thể được lập chỉ mục (tìm thấy) nhưng sẽ không có hiện nội dung.
Các file Google KHÔNG index nội dung bên trong
| Loại file | Đuôi file | Lý do không lập chỉ mục nội dung |
|---|---|---|
| File nén | .zip, .rar, .7z | Là container nhị phân, Google không giải nén để đọc file bên trong. |
| File thực thi | .exe, .msi, .dmg | File binary, không chứa văn bản có cấu trúc để phân tích ngữ nghĩa. |
| File cơ sở dữ liệu | .sql, .db | Định dạng dữ liệu thô, không phục vụ mục đích tìm kiếm của người dùng. |
| File video/audio thô | .mp4, .mp3 | Google không "nghe/nhìn" trực tiếp nội dung media (trừ khi có transcript hoặc schema VideoObject). |
Với các file ZIP, RAR hoặc EXE, Googlebot vẫn có thể thu thập dữ liệu URL của file đó (ví dụ: nhận diện một link download trên trang). Tuy nhiên, Google tuyệt đối không đọc, không hiểu và không lập chỉ mục nội dung bên trong các file nén này để xếp hạng từ khóa.
Nếu bạn muốn chặn, bạn có thể chặn qua file Robots.txt
Một đoạn ví dụ về chặn thư mục backup và file .zip, xlsx trong thư mục uploads
# Ví dụ: Chặn Googlebot thu thập dữ liệu các định dạng file không mong muốn
# Thêm đoạn mã sau vào file robots.txt:
User-agent: *
Disallow: /uploads/*.zip$
Disallow: /uploads/*.xlsx$
Disallow: /backup/Các định dạng file này ảnh hưởng đến SEO như thế nào?
File PDF, Word, Excel là cơ hội SEO bị bỏ quên
Nhiều website B2B, trang cung cấp tài liệu kỹ thuật hoặc báo cáo ngành thường sử dụng PDF làm kênh phân phối nội dung nhưng lại quên tối ưu SEO cho chúng. Một file PDF được tối ưu đúng cách (có title rõ ràng, chứa văn bản dạng text thay vì ảnh scan, có internal link dẫn về website chính) hoàn toàn có thể xếp hạng trên Google Search tương tự một bài blog.
Ví dụ: Một file PDF có tên bao-cao-thi-truong-logistics-2026.pdf chứa nội dung văn bản thực sự sẽ được Google index và có khả năng hiển thị cao khi người dùng tìm kiếm truy vấn "báo cáo thị trường logistics 2026".
File ZIP, EXE tiêu tốn Crawl Budget
Vì Google không đọc được nội dung bên trong, các file này không mang lại giá trị xếp hạng từ khóa. Tuy nhiên, nếu website của bạn tạo ra hàng ngàn URL trỏ đến các file .zip (ví dụ: trang download phần mềm), Googlebot vẫn phải tốn tài nguyên để crawl các URL này. Điều này làm lãng phí Crawl Budget — ngân sách thu thập dữ liệu mà Google dành cho website của bạn.
Rủi ro bảo mật dữ liệu nhạy cảm
Nếu bạn lưu trữ file Excel chứa dữ liệu khách hàng hoặc hợp đồng PDF nội bộ trong thư mục public mà không có lệnh chặn trong robots.txt, Googlebot sẽ tự động crawl theo các liên kết nội bộ hoặc sitemap và index chúng. Dữ liệu nhạy cảm của doanh nghiệp sẽ phơi bày công khai trên kết quả tìm kiếm.
Cách chúng ta tự kiểm tra file đang được Google Index
Bạn có thể tự kiểm tra tình trạng index các file trên website của mình bằng toán tử tìm kiếm nâng cao (Search Operators).
Bước 1: Truy cập Google Search và nhập cú pháp:
site:tenwebsite.vn filetype:pdf
Bước 2: Thử nghiệm lần lượt với các định dạng khác như: xlsx, docx, zip.
Bước 3: Phân tích kết quả. Nếu bạn thấy các file mang tên như bao-gia-noi-bo.pdf hoặc danh-sach-khach-hang.xlsx xuất hiện, website đang bị rò rỉ dữ liệu.
Trong quá trình audit, chúng tôi từng phát hiện website của một khách hàng bị index công khai file bang-gia-dai-ly-2024.xlsx do file này nằm trong thư mục /wp-content/uploads/ mà không được bảo vệ.
Cách xử lý triệt để là:
- Thêm lệnh Disallow vào robots.txt
- Xóa file khỏi server nếu không cần thiết, và
- Sử dụng công cụ Removals trong Google Search Console để gỡ URL khỏi index ngay lập tức.
5 Sai lầm của những người quản trị Website
- Để file PDF dưới dạng ảnh scan: Google có công nghệ OCR (Optical Character Recognition) để nhận diện chữ trong ảnh, nhưng độ chính xác không cao và không được ưu tiên. Hãy xuất PDF trực tiếp từ Word hoặc Google Docs để giữ nguyên định dạng text thực sự.
- Đặt tên file vô nghĩa: Tên file (URL) là tín hiệu quan trọng để Google hiểu ngữ cảnh. Tránh đặt tên như Document1.pdf hay scan_0012.pdf. Hãy sử dụng tiếng Việt không dấu, cách nhau bằng dấu gạch ngang (ví dụ: huong-dan-seo-onpage.pdf).
- Không chặn robots.txt cho thư mục nội bộ: Nhiều người nghĩ rằng "không đặt link thì Google không thấy". Đây là quan niệm sai lầm. Googlebot có thể tìm ra URL qua các backlink vô tình hoặc lịch sử duyệt web. Luôn chủ động dùng lệnh Disallow cho các thư mục chứa file nhạy cảm.
- Nhồi nhét từ khóa vào tên file ZIP: Việc đặt tên file là tai-lieu-seo-tu-a-den-z.zip không giúp bạn xếp hạng cho từ khóa "tài liệu SEO", vì Google không phân tích nội dung file nén. Hãy tập trung tối ưu trang HTML chứa nút download file ZIP đó.
- Quên xử lý Duplicate Content cho PDF: Nếu nội dung file PDF giống hệt 100% với một bài viết HTML trên web, nó có thể gây ra lỗi trùng lặp nội dung. Giải pháp là cấu hình server trả về HTTP Header X-Robots-Tag: noindex cho các file PDF này.
Máy chủ Apache
# Ví dụ: Chặn index file PDF qua HTTP Header trên máy chủ Apache (.htaccess)
<Files ~ "\.pdf$">
Header set X-Robots-Tag "noindex, nofollow"
</Files>Máy chủ Nginx
# Ví dụ tương tự trên máy chủ Nginx (thêm vào block server)
location ~* \.pdf$ {
add_header X-Robots-Tag "noindex, nofollow";
}Nắm vững kiến thức kỹ thuật trên giúp bạn biến tài liệu PDF thành một kênh thu hút traffic SEO hiệu quả, đồng thời bảo vệ an toàn cho các dữ liệu nội bộ của doanh nghiệp.
Hãy cho chúng tôi biết ý kiến của bạn thêm vào phần bình luận bên dưới nhé.
Bạn thấy bài viết này hữu ích?
Hãy chia sẻ để giúp bạn bè của bạn cũng chọn được sản phẩm phù hợp nhé!
Tú Cao
Chuyên gia SEO
Tác giả là chuyên gia SEO và thiết kế Webite với 10 năm kinh nghiệm. Anh hiện là CEO của Sudo - một công ty cung cấp dịch vụ xây dựng Website chất ...
Bài Viết Liên Quan
SEO cơ bản Cấu trúc URL như thế nào thì tốt cho SEO? Hướng dẫn bạn tối ưu chi tiết
Kiến thức SEO Google Search hoạt động như thế nào? cách thức hoạt động của Google
Kiến thức SEO Thuê đơn vị SEO hay tự làm SEO? Những điều doanh nghiệp nên cân nhắc
Thuật ngữ SEO Sitemap là gì? hướng dẫn chi tiết cách tạo, tối ưu và gửi lên Google Search Console
Công cụ SEO phổ biến Top 5 tiện ích SEO trên Chrome giúp bạn tối ưu website dễ dàng
SEO cơ bản
Bình Luận