Para buscar
bien, es imprescindible tener en cuenta, que además de los buscadores
convencionales, hay disponibles otras fuentes específicas de información.
Los buscadores tradicionales sólo ofrecen acceso a una pequeña parte de lo que existe online,
lo que se ha comenzado a llamar la Web
superficial o visible. Lo que resta, la Web profunda o invisible, es un amplio banco de información
ubicado en catálogos, revistas digitales, blogs, entradas a diccionarios y
contenido de sitios que demandan un login (aunque sea gratuito) y otros tipos de contenido que no aparecen
entre los resultados de una búsqueda convencional, entre ellos aquellos que
se encuentran en la denominada Web Oscura (cuyo contenido es privado, confidencial y en muchos casos hasta ilegal).
La
Web Superficial o visible
La Web Superficial comprende
todos aquellos sitios cuya información
puede ser indexada por los robots de los buscadores convencionales y recuperada casi en su totalidad mediante
una consulta en sus formularios de búsqueda.
Las características principales de los
sitios de la Web visible son:
- su información no está contenida en bases de datos
- es de libre acceso
- no se requiere la realización de un proceso de registro para acceder a la información.
- mayoritariamente está formada por páginas Web estáticas, es decir páginas o archivos con una URL fija y accesibles desde otro enlace.
La Web Profunda o invisible
Web invisible es el término
utilizado para describir toda la
información disponible en Internet que no se recupera interrogando a los
buscadores convencionales. Generalmente es información almacenada y accesible
mediante bases de datos.
Parte de la información es "invisible"
a los robots de los buscadores convencionales, ya que los resultados se generan
en la contestación a una pregunta directa mediante páginas dinámicas (ASP, PHP,
etc.) es decir páginas que no tienen una
URL fija y que se construyen en el mismo instante (temporales) desapareciendo
una vez cerrada la consulta.
Sherman y Price identifican cuatro tipos
de contenidos invisibles en la Web: la Web opaca (the opaque Web), la Web privada (the private Web),
la Web propietaria (the proprietary
Web) y la Web realmente invisible
(the truly invisible Web).
- La Web opaca está compuesta por
archivos que, si bien podrían estar incluidos en los índices de los buscadores,
no lo están por alguno de los siguientes motivos:
- Extensión de la indización: a veces, por economía, no todas las páginas de un sitio son indizadas en los buscadores.
- Frecuencia de la indización: los buscadores no poseen la capacidad de indizar todas las páginas existentes; a diario se agregan y modifican muchas y la indización no se realiza al ritmo que permita incluirlas a todas.
- Número máximo de resultados visibles: aunque los motores de búsqueda arrojan a veces un gran número de resultados, generalmente limitan el número de documentos que se muestran (entre 200 y 1000).
- URL desconectadas: las generaciones más recientes de buscadores, presentan los documentos por relevancia basada en el número de veces que aparecen referenciados en otros. Si un documento no tiene un link a él, desde otro documento, será imposible que la página sea encontrada, pues no se encuentra indizada.
- La Web
privada consiste en las páginas Web que podrían estar indizadas en los
buscadores pero son excluidas
deliberadamente por alguno de estos motivos:
- Las páginas están protegidas por contraseñas.
- Contienen un archivo “robots.txt” para evitar ser indizadas.
- Contienen un campo “noindex” para evitar que el buscador pueda indizar la parte correspondiente al cuerpo de la página.
Este segmento de la Web contiene, en
general, documentos excluidos deliberadamente por su falta de utilidad. Ya que
son los dueños de la información que contienen, los que deciden que no se
encuentre disponible, por lo que difícilmente se podrán encontrar mecanismos
legítimos para franquear esa barrera.
- La Web
propietaria incluye aquellas páginas en las que es necesario registrarse para tener acceso al
contenido, ya sea de forma gratuita o arancelada.
- La Web realmente invisible se
compone de páginas que no pueden ser indizadas por limitaciones técnicas de los
buscadores, programas ejecutables y archivos comprimidos, páginas generadas
dinámicamente, es decir, que se generan a partir de datos que introduce el
usuario, información almacenada en bases de datos relacionales, que no puede
ser extraída a menos que se realice una petición específica.
Veamos algunos de los recursos de
búsqueda en la Web Profunda, que si bien los sitios están desarrollados
en idioma inglés, las búsquedas pueden realizarse en español,
utilizando los cuadros de texto.
The WWW Virtual
Library (http://vlib.org/) se considera el catálogo más antiguo en la web y
fue iniciado por Tim Berners-Lee, el creador de la web.
Academia.edu
(https://www.academia.edu) es una red social 2.0 para investigadores que cuenta
con un directorio de más de 12.000 publicaciones científicas de todo el mundo,
facilitando la tarea de los que buscan artículos para sus trabajos. Lanzado en
septiembre de 2008, se convirtió en uno de los mayores sitios de redes sociales
para universitarios en el año 2010. Actualmente tiene 830.000 visitantes
mensuales y cuenta con más de 191.000 académicos de todo el mundo.
- Reefseek.com (http://www.refseek.com/) es un motor de búsqueda en Internet para estudiantes e investigadores que tiene como objetivo hacer que la información académica sea de fácil acceso para todos. Busca en más de un billón de documentos, incluyendo páginas web, libros, enciclopedias, revistas y periódicos, intentando eliminar cualquier resultado no relativo a ciencia e investigación.
- Jurn (http://www.jurn.org) es otro motor de búsqueda que permite buscar en millones de artículos libres académicos, capítulos y tesis de múltiples disciplinas (Artes, Historia, Humanidades, Negocios, Economía, Ecología, Ciencia y más).
- Microsoft Academic Search (http://academic.research.microsoft.com/) el buscador académico de Microsoft.
- TechXtra (http://techxtra.tradepub.com/) centra su información, en ingeniería, matemáticas e informática. Es posible navegar a través de una extensa lista de revistas gratuitas especializadas de ingeniería, documentos técnicos, descargas y podcasts.
- Ciencia (http://ciencia.science.gov/) es la versión en español del portal Science.gov (http://www.science.gov/) para la búsqueda de información científica e investigación del gobierno de los Estados Unidos de América. Puede indexar más de 60 bases de datos y 200 millones de páginas con información científica para mostrar los resultados por subtemas, autores o fechas. También ofrece la posibilidad de búsqueda avanzada y búsqueda de imágenes.
Según Lluis Codina:
“Internet
invisible es un nombre claramente inadecuado para referirse al sector de sitios
y de páginas web que no pueden indizar los motores de búsqueda de uso público.
Debería denominarse, en realidad, la web "no indizable", lo
cual es un término mucho más adecuado”.





No hay comentarios:
Publicar un comentario