А вы знали, что у Google есть продукт для парсинга HTML-структуры?

Метехан Ешилюрт провел эксперимент с Google Document AI Layout Parser на трех веб-страницах: статье по техническому SEO, лендинге приложения и руководстве по привлечению пользователей.

Цель — изучить, как модель машинного обучения анализирует структуру HTML.

Хотя Document AI отличается от парсера Google Поиска, результаты показывают важность чистого и логичного HTML для обработки контента.

Инструмент преобразует HTML в структурированный JSON, классифицируя блоки контента и их связи.

Ключевые выводы

1. Навигационный "мусор" может скрыть контент

Анализ выявил, что излишние навигационные элементы затрудняют доступ к основному контенту.

На одной странице парсер добрался до контента лишь на 122-м блоке, пройдя 121 навигационный блок.

SEO-статья:

— Первый блок контента: Блок 3

— Навигационные блоки: 2

Лендинг приложения:

— Первый блок контента: Блок 122

— Навигационные блоки: 121

Руководство пользователя:

— Первый блок контента: Блок 1

— Навигационные блоки: 0

2. Учитываются все DOM-элементы

Парсер присваивает ID каждому DOM-элементу, даже пустым оберткам, что указывает на лишнюю нагрузку от избыточного HTML.

3. Иерархия элементов сохраняется

Парсер поддерживает связи "родитель-потомок".

Контент, вложенный в заголовок, связывается с ним в JSON, подчеркивая важность структуры заголовков (H1 → H2 → H3).

4. Классификация контента

Инструмент определяет типы контента: от heading-1 до heading-6, paragraph, header, footer и списки.

Различие между header и heading может указывать на разный вес элементов.

5. Структурированные данные неизменны

Таблицы и списки парсятся с сохранением структуры, включая объединенные ячейки и типы списков, что облегчает извлечение данных.

На основе работы парсера рекомендуются следующие практики технического SEO:

— Сокращайте HTML-раздутость: Уменьшайте пустые или лишние обертки (div) для оптимизации DOM.

— Приоритизируйте контент: Размещайте ключевой контент выше в DOM, минимизируя предшествующие навигационные элементы.

— Соблюдайте иерархию заголовков: Используйте заголовки последовательно для семантической структуры.

— Структурируйте данные: Применяйте списки и таблицы для упрощения извлечения. Пишите контент в виде независимых фрагментов для парсинга и ранжирования.

Важно понимать, что эксперимент проводился с Google Cloud Document AI, а не с краулером Google Поиска.

Влияние на ранжирование не подтверждено и требует дополнительных тестов.

Выводы поддерживают проверенные методы создания чистого, семантического и доступного HTML.

https://metehan.ai/blog/google-document-ai-layout-parser/

@MikeBlazerX