Ahora
que ya hemos aprendido el manejo básico de un buscador podemos entrar a ver
cómo funciona internamente. Sólo veremos los conceptos básicos ya que es
un tema complejo y los buscadores tampoco dan mucha información al respecto
para no dar pistas a la competencia.
Para
comprender mejor la tarea de un buscador pensemos primero qué hay en Internet,
como está organizada la información. A continuación hablaremos de la propia
estructura del buscador para adaptarse a la estructura de los datos de
Internet.
Estructura de datos en Internet.
Ya
vimos en la unidad 1 que cualquiera puede introducir información en Internet.
Simplemente tiene que disponer de un servidor donde alojarla. Cada nueva página
que se crea en Internet tiene una dirección única. Por ejemplo, http://www.aulaclic.es/internet/t_4_7.htm.
Cuando alguien decide crear un sitio web elige el nombre que le parece
apropiado, y también da el nombre que quiere a las carpetas y páginas que va
creando. De forma que los millones de páginas que existen en Internet no
tienen porque tener una estructura común ni una relación prefijada entre ellas.
Si
comparamos Internet a una gigantesca biblioteca, donde cada libro representa un
servidor, no habría manera de colocar los libros en las estanterías de forma
que respondiesen a un orden lógico según su contenido. Tampoco habría una forma
estándar de ordenar las páginas dentro de cada libro.
Puesto
que un servidor puede contener páginas de diferentes temas, y que dentro de un
tema las páginas están agrupadas de distinta forma. Si tomamos una página
cualquiera de Internet pueden darse diferentes situaciones, desde que sea una
página aislada, que esté relacionada con una anterior y una siguiente, o que
esté relacionada con millones de páginas.
Así
como cuando se cataloga un libro existe una clasificación de materias aceptada
universalmente dentro de la cual se puede ubicar un libro según su tema, en
Internet no existe esto. Lo más parecido son las categorías del proyecto DMOZ, algunos directorios
especializados como los de Universia y
de buscadores como Google, pero incluir una página en estos buscadores es algo
voluntario por lo que no todas las páginas de Internet están incluidas en
ellos.
Las
páginas de Internet no están escritas en forma de texto normal sino en lenguaje
HTML. Este lenguaje consta de texto y de código, el código dice en qué forma se
presentará el texto, de que tamaño, color, posición, etc.
Otro
factor a tener en cuenta es que las páginas son dinámicas, es decir,
pueden modificarse, crearse y destruirse sin previo aviso. Además, están en
diferentes idiomas.
Y para
acabarlo de poner difícil la naturaleza del contenido de las páginas es muy
variada, pueden contener texto, gráficos, imágenes, sonido, vídeo, programas,
etc.
Dado
este aparente caos, es fácil suponer que pronto surgieran herramientas que
intentasen poner un poco de orden y facilitar la localización de la
información. También es fácil deducir que estas herramientas se hayan
convertido en algo imprescindible.
Hoy
nadie puede imaginarse Internet sin los buscadores. Actualmente los
buscadores hacen su tarea de forma increíblemente eficaz. Pueden buscar
cualquier cosa que se te ocurra en muy poco tiempo y de forma precisa.
Sin
embargo tienen limitaciones. Por ejemplo, no pueden buscar entre la información
que requiere de una identificación previa para el acceso. Obviamente esto es
precisamente lo que persiguen las páginas protegidas o restringidas. De hecho,
si nosotros mismos fuésemos quienes tuviésemos que buscar la información en la
red, nos toparíamos con la misma limitación, con la salvedad de que nosotros
podríamos interactuar con la página o registrarnos en ella para acceder a la
información que nos interesa.
De
todas formas, en general, podemos decir que la mayor parte de la información
disponible en Internet está accesible a través de los buscadores de forma
rápida y fácil. Así que no hay problema, Internet puede seguir creciendo en la
forma como lo ha hecho hasta ahora y nosotros seguiremos encontrando lo que
buscamos. Un buscador tarda menos de un segundo en buscar entre miles de
millones de páginas. La pregunta es ¿Cómo diablos lo hacen?
Estructura de un buscador.
Acabamos
de ver que la estructura de la información en Internet no facilita su
organización. ¿Qué han hecho los buscadores? La respuesta es crearse su
propia copia de Internet.
¿Cómo
lo hacen? Lo hacen unos robots, por supuesto no son robots de metal, en
realidad son unos programas que van visitando las páginas de Internet y copiándolas
en los discos de los buscadores. Sabemos que hay millones de páginas, por lo
tanto copiar las páginas cuesta unos días, debido a esto puede ocurrir que un
buscador dé un resultado de una página que ya no existe. El buscador ha
consultado la copia que tenía de esa página, llamada caché, realizada unos
días antes y al mostrar el resultado esa página ya ha sido borrada por sus
dueños.
En
realidad, los robots no copian toda Internet cada vez, sólo actualizan los
datos que han cambiado y copian las páginas nuevas. Sin embargo, copiar las
páginas tal cual tampoco serviría de mucho ya que la estructura de la
información seguiría siendo la misma.
Lo que
hacen los buscadores es tomar los datos de Internet y transformarlos creando
una estructura más favorable para la búsqueda. Detrás de un buscador hay una
estructura de datos que contiene la información y unos sistemas de indexación,
compresión y organización de los datos que permiten efectuar búsquedas
rápidamente. Google utiliza el sistema BigTable. Por supuesto, también existen
sistemas de ordenadores con gran capacidad de cálculo.
¿Qué es
la indexación? Básicamente, el proceso es el mismo que cuando consultamos
el índice de un libro. Buscamos en el índice y obtenemos un número de página,
luego vamos directamente a esa página sin tener que recorrer todas las páginas
del libro. Por ejemplo, si tenemos un sitio web, se puede crear un índice con
todas las palabras que aparecen en el sitio web, y con los nombres de las
páginas en las que aparecen; así, dada una palabra podremos ir rápidamente a
las páginas en las que aparece. El único problema es construir y mantener
actualizado el índice.
¿Qué es
la compresión? Si estamos buscando texto, las imágenes no nos interesan,
tampoco el formato del texto, todo esto se puede eliminar para realizar las
búsquedas más rápidas. Además, existen técnicas complejas para lograr que las
páginas ocupen menos espacio.
Relevancia.
Una vez seamos capaces de encontrar rápidamente todas las páginas en las que
aparece la palabra que buscamos, se plantea otro problema: ¿En qué orden
mostramos las páginas de resultados?
Esta
cuestión tiene una gran importancia ya que va a determinar, en gran medida, la
calidad del buscador. Todos esperamos que se nos muestren primero las páginas
más interesantes relativas a lo que estamos buscando, es decir, las páginas más
relevantes.
Para
ayudar a solucionar este problema Google ha creado el PageRank.
El PageRank mide
la importancia o relevancia de una página en base al número y calidad de las
páginas que la referencian. Una página que sea citada por 10 páginas tendrá menor PageRank
que otra página que sea citada por 1000 páginas. Sin embargo, si las 10 páginas
que citan a la primera son muy importantes y las 1000 páginas que citan a la
segunda son muy poco importantes, la primera página tendrá mayor PageRank que
la segunda. Es decir, se tienen en cuenta el número de enlaces y la
relevancia de las páginas que los contienen.
Cada
página de Internet tiene asignado un PageRank, cuando se obtienen los
resultados de una búsqueda, estos se ordenan, entre otras cosas, según su
PageRank. Google no hace público el método exacto por el que ordena los
resultados, por lo tanto, no sabemos qué importancia real se otorga al
PageRank.
El
PageRank es un número de 0 a 10. Si quieres ver el PageRank de
una página sólo tienes que instalarte la barra de Google con opciones avanzadas
y lo verás directamente en la barra al visitar una web, como muestra esta
imagen.
Puedes
aprender más sobre esta barra haciendo clic con el botón derecho del ratón
sobre ella y seleccionando Ayuda de la barra de Google. Encontrarás, entre
otras cosas, detalles de cómo desinstalarla.
Si
quieres profundizar en el funcionamiento de los buscadores te recomendamos la
siguiente página: Cómo
funciona Google.
Las cifras de Google.
Para
poder realizar todas estas funciones los ingenieros de Google han creado
programas que contienen millones de fórmulas y para poder trabajar
con tantos datos utilizan miles de ordenadores trabajando en paralelo, se habla
de más de 60.000 ordenadores, además son ordenadores personales comunes.
El trabajo en paralelo permite que una búsqueda no se ejecute en un sólo
ordenador, sino en varios ordenadores a la vez, de modo que cada ordenador hace
una parte del trabajo. En el primer semestre del 2005 Google informó que tenía
indexadas más 11.000 millones de páginas, y en 2008 informó que había
llegado al billón (un millón de millones).
Más información sobre Google.
Como
grande en su sector que es, hay mucha información de actualidad y de interés sobre
Google. Puedes seguir investigando sobre él, si te interesa, en páginas como:
No hay comentarios:
Publicar un comentario