Obtenir SearchWP

Analyse PDF hors site

SearchWP inclut un analyseur PDF intégré qui lit le texte de vos documents PDF afin qu'il puisse être recherché, et il fonctionne pour la plupart des documents dès la sortie de la boîte. Comme les PDF peuvent être formatés de nombreuses manières différentes, l'analyseur intégré ne peut pas toujours lire un fichier particulier. Lorsque cela se produit, l'intégration Xpdf est généralement une bonne solution, car elle utilise un outil plus performant installé sur votre serveur. Sur certains serveurs, cependant, l'installation de Xpdf n'est pas possible. C'est là qu'intervient l'extension Analyse hors site des PDF. Au lieu de lire le fichier sur votre serveur, elle utilise le propre serveur de SearchWP pour traiter le document et renvoie le texte extrait à votre site pour indexation. Cet article explique quand l'utiliser, comment la configurer, comment fonctionne le processus et comment dépanner un PDF qui ne s'indexe pas.

Quand utiliser l'analyse hors site des PDF

SearchWP propose trois méthodes différentes pour gérer le traitement des PDF. Voici ce qu'il faut essayer, dans l'ordre, en fonction de vos besoins en matière de traitement des PDF :

  • Analyseur intégré. Déjà inclus dans SearchWP et gère la plupart des PDF sans aucune configuration.
  • Intégration Xpdf. Lit les PDF localement avec un outil plus performant. La meilleure étape suivante lorsque l'analyseur intégré échoue, tant que votre hébergeur vous permet d'installer Xpdf.
  • Analyse hors site des PDF. Lit le PDF sur le serveur de SearchWP, il n'y a donc aucun outil à installer. Le bon choix lorsque votre hébergeur ne peut pas exécuter Xpdf.

Quelques points à savoir d'emblée :

  • Elle nécessite une licence active SearchWP Pro. Si la licence expire, le service d'analyse cesse de fonctionner.
  • Le PDF doit être accessible à une adresse web publique. Le serveur SearchWP télécharge chaque fichier par son URL, donc les PDF sur des sites locaux, de staging, protégés par mot de passe ou restreints par IP ne peuvent pas être lus.

Installation et configuration

L'extension est disponible pour les détenteurs de licence Pro en téléchargement direct depuis la page Téléchargements de votre compte SearchWP. Une fois activée, il n'y a presque rien à configurer. Elle fait son travail automatiquement.

  1. Désactivez d'abord l'extension Xpdf, si vous l'avez. Allez sur la page Extensions de votre site et désactivez l'extension SearchWP Xpdf. Si Xpdf reste actif, SearchWP continuera à lire les PDF localement au lieu de les envoyer hors site.
  2. Installez et activez l'Analyse hors site des PDF comme n'importe quel autre plugin.
  3. Confirmez qu'elle est activée. Ses paramètres se trouvent sous SearchWP → Paramètres → Extensions, dans l'onglet Analyse hors site des PDF.

Tableau de bord d'administration WordPress affichant les paramètres SearchWP, avec l'onglet Analyse PDF hors site sélectionné dans le menu supérieur.

 

  1. Activez la ré-analyse du contenu des documents. Allez dans SearchWP → Paramètres → Divers et activez Ré-analyser le contenu des documents. Cela indique à SearchWP de supprimer le texte qu'il a déjà stocké pour vos documents et de les relire lors de la prochaine reconstruction, afin que vos PDF existants soient traités par le nouvel analyseur hors site au lieu de conserver leur ancien contenu.

Admin WordPress : page des paramètres SearchWP avec le curseur 'Re-analyser le contenu du document' mis en surbrillance.

 

  1. Reconstruisez l'index depuis SearchWP → Algorithme afin que vos PDF soient relus et envoyés pour analyse.
  2. Désactivez la re-lecture du contenu du document une fois que l'indexeur a terminé. Elle n'est nécessaire que pour cette reconstruction unique. La laisser activée ralentira chaque reconstruction future, car SearchWP relirait chaque document à chaque fois au lieu de réutiliser le texte qu'il possède déjà.

Une fois l'index terminé, vous pouvez confirmer que le texte d'un PDF a été capturé en suivant la personnalisation et la vérification du contenu du document.

Comment ça marche

Avec l'extension active, l'indexation d'un PDF fonctionne comme suit :

  1. SearchWP envoie l'URL publique du PDF au serveur d'analyse de SearchWP.
  2. Le serveur lit le texte du PDF et le renvoie.
  3. SearchWP stocke ce texte comme contenu du document afin qu'il puisse être recherché.

Tout se passe automatiquement en arrière-plan pendant que votre index se construit. Il n'y a rien à gérer une fois l'extension active.

Sécurité et confidentialité

Voici quelques points de sécurité à considérer lors de l'utilisation de l'extension d'analyse PDF hors site :

  • Le fichier est uniquement textuel et temporaire. Votre PDF est conservé sur le serveur SearchWP juste assez longtemps pour lire son texte. Seul le texte brut extrait est renvoyé sur votre site, et le PDF téléchargé est supprimé du serveur SearchWP juste après l'analyse. Il n'est pas stocké ni conservé.
  • Ce qui est envoyé : l'URL publique de votre PDF, l'URL de votre site et votre clé de licence (utilisée pour confirmer que la demande est autorisée).
  • L'accès public est requis. Les fichiers derrière une connexion ou toute restriction d'accès ne peuvent pas être atteints, ils ne seront donc pas analysés.
  • Même domaine uniquement. Le PDF doit être hébergé sur le même domaine que votre site enregistré. Les fichiers servis à partir d'un domaine différent ou de certains CDN sont rejetés.
  • La licence est vérifiée par site. Le serveur confirme que votre licence est valide pour le site demandeur avant d'analyser quoi que ce soit, et met en cache cette vérification pendant environ une semaine.

L'écran des erreurs et la réintroduction des PDF

Si un PDF ne peut pas être analysé, l'extension enregistre la raison sur son écran Erreurs, sous SearchWP → Paramètres → Extensions → Analyse PDF hors site. Chaque document échoué est répertorié avec son ID, son titre et l'erreur enregistrée.

Tableau de bord d'administration WordPress : page des erreurs d'analyse PDF hors site de SearchWP avec une note « Les PDF échoués sont listés ici » en rouge.

Lorsqu'un PDF échoue, l'extension arrête délibérément de réessayer. Elle enregistre l'échec, vide le contenu stocké de ce document et marque l'entrée à ignorer, afin que SearchWP ne boucle pas dessus ou ne revienne pas à la lecture locale.

Une fois que vous avez corrigé la cause sous-jacente (le plus souvent en rendant le PDF publiquement accessible), vous pouvez remettre ces documents en file d'attente. Cochez les entrées concernées et cliquez sur Réintroduire les sélectionnés. Cela efface les marqueurs d'erreur et d'ignorance et remet les PDF dans la file d'attente d'indexation.

Exigences et limitations

  • Une licence SearchWP Pro active pour le site.
  • PDF standard uniquement. Le fichier doit se terminer par .pdf et être un véritable PDF. Les PDF protégés par mot de passe ne sont pas pris en charge.
  • Une URL publique, du même domaine, pour chaque PDF (voir Sécurité et confidentialité).
  • Une limite de temps pour les requêtes. Votre site attend jusqu'à 100 secondes pour une réponse. Un PDF très volumineux ou complexe peut dépasser ce délai, auquel cas il échoue et est signalé sur l'écran des erreurs.

Pour les développeurs

Si vous souhaitez modifier le point de terminaison où la requête d'analyse est envoyée, par exemple pour pointer vers votre propre copie du serveur d'analyse, vous pouvez utiliser le hook personnalisé suivant :

// Send Offsite PDF Parsing requests to a custom parser endpoint.
add_filter( 'searchwp_offsite_pdf_parser_url', function () {
    return 'https://your-parser.example.com/';
} );

Ajoutez du code personnalisé comme celui-ci via un plugin de personnalisation SearchWP ou un plugin d'extraits tel que WPCode.

Dépannage

  • Les PDF n'ont pas de contenu, ou vous voyez le code 8. Le fichier (ou le site entier) n'est pas accessible publiquement. Ouvrez l'URL du PDF dans une fenêtre de navigateur privée ou incognito. S'il ne se charge pas là, le serveur SearchWP ne pourra pas non plus le charger. Confirmez également que le PDF se trouve sur le même domaine que votre site.
  • Il semble toujours analyser localement. Assurez-vous que l'extension Xpdf est désactivée. Tant que Xpdf est actif, SearchWP lit les PDF sur votre serveur au lieu de les envoyer hors site.
  • Un PDF volumineux ou complexe échoue. Il s'agit généralement de la limite de temps de 100 secondes, ou d'un fichier protégé par mot de passe ou non standard. Vérifiez l'écran des erreurs pour le code enregistré.
  • Erreurs de licence, ou code 0. Confirmez que votre licence Pro est active pour ce site.
  • Confirmez ce qui a réellement été indexé. Utilisez la personnalisation et la vérification du contenu des documents pour vérifier le texte stocké.
  • Activez la détection des erreurs pour observer le fonctionnement de l'extension. Elle enregistre les lignes [PDF hors site] pour la requête envoyée, la réponse reçue, si la longueur et la somme de contrôle correspondent, et toute erreur.

Créez dès aujourd'hui une meilleure expérience de recherche WordPress

Ne perdez plus jamais de visiteurs à cause de résultats de recherche inutiles. SearchWP rend la création de votre propre recherche WordPress intelligente rapide et facile.

Obtenez SearchWP maintenant
Icône de moteurs de recherche multiples