如何在Google Vertex AI搜索高级网站索引中过滤PDF及纯网页结果？

仅返回PDF文件的方案 #

由于高级网站索引不支持fileType字段，只能通过官方支持的meta字段实现过滤：

• 匹配PDF对应的MIME类型：

  {filter: "meta.content_type: \"application/pdf\""}
  

• 通过文件名后缀过滤：

  {filter: "meta.file_name: \"*.pdf\""}
  

仅返回网页（排除PDF、Word等文件）的方案 #

同样借助meta字段，指定网页的MIME类型或排除非网页文件类型：

• 直接匹配HTML网页：

  {filter: "meta.content_type: \"text/html\""}
  

• 排除多种文件类型（用NOT逻辑组合）：

  {filter: "NOT meta.content_type: \"application/pdf\" AND NOT meta.content_type: \"application/msword\" AND NOT meta.content_type: \"application/vnd.openxmlformats-officedocument.wordprocessingml.document\""}
  

注意事项 #

• meta字段过滤依赖爬虫抓取到的文件元数据，需确保爬虫配置正确获取Content-Type、文件名等信息
• 测试过滤规则时，建议先小范围爬取目标站点，验证元数据是否被正确索引

内容的提问来源于stack exchange，提问作者mana