Web Superficial y Web Profunda

Nos encontramos sentados frente al computador para realizar una búsqueda de información y elegimos el buscador de nuestra preferencia. Iniciamos la búsqueda y los resultados que nos arroja la red pueden ser contrastantes; por una parte nos encontramos inundados por información que quizá no hemos solicitado y/o,  la que solicitamos, que realmente es de nuestro interés es escasa o nula.

Esto sucede en la actualidad por que las arañas  (spiders)  de los buscadores  tradicionales sólo ofrecen acceso a una muy pequeña parte de lo que existe online; lo más popular o más consultado, a lo que se denomina la Web superficial o visible.

Y al no satisfacernos los resultados, tenemos que invertir más tiempo en la búsqueda y elementos que nos ayuden a lograr la información realmente nutritiva y de valor en la red. Información que esta oculta, invisible, obstruida o que quizá se declare  privada, Información almacenada y accesible mediante bases de datos. Lo que se le considera la web profunda.

Démosle un vistazo y analicemos  los niveles de búsqueda de información por la red:

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.

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.

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:

 The WWW Virtual Library se considera el catálogo más antiguo en la web y fue iniciado por Tim Berners-Lee, el creador de la web.

 Infoplease  es una Web de consulta con más de 57.000 artículos de la prestigiosa enciclopedia Columbia. Facilita la consulta de información con opciones de búsqueda por términos o por áreas de conocimiento. Es posible acceder a un buen número de enciclopedias, atlas, y biografías. Y también tiene algunas ramificaciones interesantes como Factmonster.com para los niños y Biosearch, un motor de búsqueda sólo para biografías, o información de todo lo acontecido históricamente en un determinado día.

 DeepWebTech ofrece cinco motores de búsqueda para temas específicos. Los motores de búsqueda abarcan la ciencia, medicina y negocios. El uso de estos motores de búsqueda específicos del tema, puede consultar las bases de datos subyacentes en la Web profunda.

 TechXtra 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.

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”.

Veamos como se ha clasificado los niveles de la web profunda: