1.
Dr.SabinBuragawww.purl.org/net/busaco
Dezvoltarea aplicațiilor Web
la nivel de client

(re)găsirea resurselor Web
de la motoare de căutare și SEO la date structurate

2.
Dr.SabinBuragawww.purl.org/net/busaco
“A well-defined problem is half solved.”
Michael Osborne

3.
Dr.SabinBuragawww.purl.org/net/busaco
Cum prezentăm conținutul
altor clienți – diferiți de cei umani?

4.
Dr.SabinBuragawww.purl.org/net/busaco
Am putea recurge la extragerea automată
a datelor expuse pe Web?

5.
Dr.SabinBuragawww.purl.org/net/busaco
Roboți
programe ce traversează automat Web-ul,
cu scopul de a extrage date
spiders, crawlers, Web bots

6.
Dr.SabinBuragawww.purl.org/net/busaco
Roboți
programe ce traversează automat Web-ul,
cu scopul de a extrage date
robot Web  navigator Web

7.
Dr.SabinBuragawww.purl.org/net/busaco
Roboți
pornind de la un URI, realizează o conexiune HTTP
la un server Web, pentru a întreprinde anumite
acțiuni privitoare la reprezentarea unei resurse și,
recursiv, din toate documentele desemnate de
legăturile existente în cadrul reprezentării

8.
Dr.SabinBuragawww.purl.org/net/busaco
Roboți
pornind de la un URI, realizează o conexiune HTTP
la un server Web, pentru a întreprinde anumite
acțiuni privitoare la reprezentarea unei resurse și,
recursiv, din toate documentele desemnate de
legăturile existente în cadrul reprezentării
acțiuni: extragere, copiere, sumarizare,
agregare de conținut, monitorizare etc.

9.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: pericole
Operarea în foc rapid (rapid-fire)
trafic de rețea
supraîncărcarea serverelor Webdenial of service

10.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: pericole
Actualizarea cu întârziere a bazelor de date
ale motoarelor de căutare

11.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: pericole
Actualizarea cu întârziere a bazelor de date
ale motoarelor de căutare
necesitatea specificării timpului de revizitare a sitului
de către robotul Web
<meta name="Revisit-After" content="30 Days" />

12.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: pericole
Exploatarea (ne)controlată de către utilizatori
atacuri „brute”

13.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: pericole
Intrarea în „găurile negre”

14.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: pericole
Accesarea unor date nerelevante

15.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: identificare
Fiecare robot Web trebuie să se identifice
(nume, domeniu, creator,...)
uzual, va fi folosit câmpul User-Agent
din antetul unei cereri HTTP

16.
Dr.SabinBuragawww.purl.org/net/busaco
19539 de roboți Web – statistica din 2013
Alexa (7004), Bing/MSN (100), Facebook (60),
Googlebot (6085), Twitter (84) + neidentificați (374730)
conform www.botsvsbrowsers.com
search engines
51%
scrapers
8%
hacking tools
7%
spammers
1%
others
33%

17.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: identificare
Fiecare robot Web trebuie să se identifice
(nume, domeniu, creator,...)
roboți personali
(e.g., motoare experimentale, software de oglindire)
BackRub (pre-Google)
wget – http://www.gnu.org/software/wget/
etc.

18.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: identificare
Fiecare robot Web trebuie să se identifice
(nume, domeniu, creator,...)
roboți ai motoarelor de căutare majore
Baiduspider – www.baidu.com/search/spider.html
bingbot – www.bing.com/bingbot.htm
Googlebot – www.google.com/bot.html
Slurp – http://help.yahoo.com/help/us/ysearch/slurp
YandexBot – yandex.com/bots

19.
Dr.SabinBuragawww.purl.org/net/busaco
roboți: identificare
Fiecare robot Web trebuie să se identifice
(nume, domeniu, creator,...)
roboți specializați
(e.g., validarea codului HTML, scurtarea lungimii
URL-urilor, scanare de vulnerabilități, statistici,…)
exemplificări: citeseerxbot,
Page2RSS, extensii Nagios, W3C Validator

20.
Dr.SabinBuragawww.purl.org/net/busaco
66.249.65.173 - - [09/Nov/2015:11:26:31 +0200] "GET /~introp/ HTTP/1.1" 304 - "-"
"Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)"
93.158.178.188 - - [09/Nov/2015:11:25:08 +0200] "GET /~adria/...pdf HTTP/1.1" 200 198738 "-
" "Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)"
66.249.65.70 - - [09/Nov/2015:11:22:06 +0200] "GET /~busaco/teach/courses/cliw/
HTTP/1.1" 200 2120 "-" "Mozilla/5.0 (iPhone; …Safari/600.1.4 (compatible;
Googlebot/2.1; +http://www.google.com/bot.html)"
180.76.5.101 - - [09/Nov/2015:11:22:02 +0200] "GET /~busaco/ HTTP/1.1" 200 1907 "-"
"Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)"
98.137.206.250 - - [09/Nov/2015:11:21:07 +0200] "GET /~busaco/ HTTP/1.1" 200 1907 "-"
"Mozilla/5.0 (compatible; Yahoo! Slurp/3.0; http://help.yahoo.com/help/us/ysearch/slurp)"
157.55.39.73 - - [09/Nov/2015:11:20:43 +0200] "GET /~webdata/…/OCT.pdf HTTP/1.1" 403
220 "-" "Mozilla/5.0 (compatible; bingbot/2.0; +http://www.bing.com/bingbot.htm)"
208.115.111.71 - - [09/Nov/2015:11:20:42 +0200] "GET /%7Eorar/ HTTP/1.1" 200 12705 "-"
"Mozilla/5.0 (DotBot/1.1; http://www.opensiteexplorer.org/dotbot, help@moz.com)"
63.249.66.212 - - [09/Nov/2015:11:14:55 +0200] "GET /~croitoru/ag/ HTTP/1.1" 200 2575 "-"
"Mozilla/4.0 (compatible; MSIE 6.0; http://www.changedetection.com/bot.html)"
66.249.65.70 - - [09/Nov/2015:11:12:47 +0200] "GET /~busaco/paint/leaf/leaf-9.jpg HTTP/1.1"
304 - "-" "Googlebot-Image/1.0"
157.55.39.177 - - [09/Nov/2015:11:11:53 +0200] "GET /~lrc/ HTTP/1.1" 200 1914 "-" "msnbot-
media/1.1 (+http://search.msn.com/msnbot.htm)"
136.243.9.23 - - [09/Nov/2015:09:40:35 +0200] "GET /~busaco/ HTTP/1.0" 200 1907 "-"
"Mozilla/5.0 (… James BOT - WebCrawler http://cognitiveseo.com/bot.html"
cereri HTTP efectuate de diverși roboți Web
(menționate în fișierul de jurnalizare Apache)

21.
Dr.SabinBuragawww.purl.org/net/busaco
Cum putem „instrui” roboții Web
să nu viziteze anumite zone ale sitului?

22.
Dr.SabinBuragawww.purl.org/net/busaco
Orice robot trebuie să respecte
standardul de excludere

23.
Dr.SabinBuragawww.purl.org/net/busaco
Orice robot trebuie să respecte
standardul de excludere
fișierul robots.txt
http://www.robotstxt.org/robotstxt.html

24.
Dr.SabinBuragawww.purl.org/net/busaco
Orice robot trebuie să respecte
standardul de excludere
fișierul robots.txt
# /robots.txt pentru http://www.info.uaic.ro
User-agent: * # toți roboții
Crawl-delay: 20 # 20 sec. între cereri
Disallow: /tmp/ # date temporare
Disallow: /xwiki/bin/xmlrpc/ # director privat

25.
Dr.SabinBuragawww.purl.org/net/busaco
de studiat câteva exemple reale de fișiere robots.txt:
http://www.amazon.com/robots.txt
http://facebook.com/robots.txt
http://www.emag.ro/robots.txt
http://www.google.com/robots.txt
User-agent: *
Disallow: /user/*
Disallow: /addtocart*
Disallow: /proces_comanda
Disallow: /cart$
Disallow: /checkout
Disallow: /imagini/*
Disallow: /images/*
Disallow: /compare/*
Disallow: /mesaje
Disallow: /cat-*/pid-*/ord-*/p-*
Disallow: /adauga-review
Disallow: /adauga-intrebare
Disallow: /header-cart
Disallow: /header-wl
Disallow: /product_get_recommandations/*
Disallow: /widgets/track.json
Disallow: /get_back_to_search_url
Disallow: /search-tools/*
Disallow: /ajax_live_products
Disallow: /box_user_history
Disallow: /gr_box_bottom_landing/*
Disallow: /site_ajax_ads
User-agent: 008
Disallow: /

26.
Dr.SabinBuragawww.purl.org/net/busaco
Orice robot trebuie să respecte
standardul de excludere
evitarea indexării conținutului:
<meta name="robots" content="noindex, nofollow" />

27.
Dr.SabinBuragawww.purl.org/net/busaco
Ce activități realizează un motor de căutare?

28.
Dr.SabinBuragawww.purl.org/net/busaco
Scop:
localizarea resurselor existente pe Web

29.
Dr.SabinBuragawww.purl.org/net/busaco
Tipuri de căutări – maniera tradițională:
pe bază de indecși (crawling & indexing)
Lycos – 1994
AltaVista – 1995

30.
Dr.SabinBuragawww.purl.org/net/busaco
Tipuri de căutări – maniera tradițională:
pe baza ierarhiilor de termeni
(servicii de tip catalog – topic directory, taxonomii)
Yahoo! – Yet Another Hierarchical Officious Oracle
1994

31.
Dr.SabinBuragawww.purl.org/net/busaco
Tipuri de căutări – maniera tradițională:
hibride
indecși + taxonomiiportal Web
Excite – 1994

32.
Dr.SabinBuragawww.purl.org/net/busaco
Tipuri de căutări – maniera tradițională:
pe baza legăturilor hipertext
(hyperlink analysis)
Google – 1996

33.
Dr.SabinBuragawww.purl.org/net/busaco
Tipuri de căutări – maniera modernă:
pe baza datelor structurate
(determinare și extragere de meta-date și concepte)
Microsoft Satori Entity Engine
Google Knowledge Graph/Vault

34.
Dr.SabinBuragawww.purl.org/net/busaco
Un motor de căutare trebuie să satisfacă
nevoia de informații a utilizatorului
(user information-seeking)

35.
Dr.SabinBuragawww.purl.org/net/busaco
Preluarea + indexarea resurselor se pot realiza:
automat – via roboți Web
manual – recurgând la experți umani
hibrid

36.
Dr.SabinBuragawww.purl.org/net/busaco
Preluarea și indexarea resurselor
strategii:
natura datelor/relațiilor (data/relation mining)
detectarea subiectului conținutului (topic distillation)
meta-date – date descriind date
(e.g., doar însemnări ca replici la alte mesaje)
căutare socială (tag-uri, anturaj, aplicații Web sociale)
context (e.g., localizare geografică, timp, dispozitiv)
profil al utilizatorului
(e.g., istoric al căutărilor, preferințe lingvistice)

37.
Dr.SabinBuragawww.purl.org/net/busaco
Caracteristici ale unui motor de căutare ideal
scop
căutarea oricărei resurse existente

38.
Dr.SabinBuragawww.purl.org/net/busaco
Caracteristici ale unui motor de căutare ideal
viteză
rezultatele să fie disponibile imediat
direcție de interes major: real-time Web search

39.
Dr.SabinBuragawww.purl.org/net/busaco
Caracteristici ale unui motor de căutare ideal
disponibilitate
actualizarea permanentă
(orice modificare să fie indexată „instantaneu”)

40.
Dr.SabinBuragawww.purl.org/net/busaco
Caracteristici ale unui motor de căutare ideal
recall
găsirea tuturor resurselor relevante
pentru o cerere dată

41.
Dr.SabinBuragawww.purl.org/net/busaco
Caracteristici ale unui motor de căutare ideal
precizie
rezultatul conține doar documente relevante

42.
Dr.SabinBuragawww.purl.org/net/busaco
Caracteristici ale unui motor de căutare ideal
ranking
cele mai relevante documente
sunt plasate primele

43.
Dr.SabinBuragawww.purl.org/net/busaco
Care sunt principalele componente
ale unui motor de căutare?

44.
Dr.SabinBuragawww.purl.org/net/busaco
Robot Web
extrage informații
Index (catalog)
stochează – în mod persistent – (meta)date
despre resursele existente pe Web
Mecanism de evaluare (ranking)
pe baza cererii utilizatorului, oferă răspunsuri

45.
Dr.SabinBuragawww.purl.org/net/busaco
Diferențele dintre motoarele de căutare actuale
sunt date de fiecare componentă în parte

46.
Dr.SabinBuragawww.purl.org/net/busaco
structura generică a unui motor de căutare
(Chakrabarti, 2003)

47.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Activitatea generală a unui robot (crawler) simplu:
F = mulțimea de URL-uri de start (frontiera)
cât-timp F este nevidă
extrage un URL u din F
preia pagina (resursa Web) p cu adresa u
dacă p este relevantă
stochează p în index
pentru-fiecare legătură v din p
dacă v nu este în index și v nu aparține lui F
și v ar putea fi vizitată
adaugă v la F

48.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Bazată pe învățare
data mining
(de exemplu, reinforcement learning)
vezi materia
„Învățare automată”

49.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Conținutul ce trebuie indexat nu e doar textual
hiper-informația:
INFORMATION = HYPERINFO + TEXTINFO
dependența de legături
ordonarea legăturilor
(alegerea unor criterii vizând importanța)

50.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Robotul/motorul de căutare decide momentul
revizitării resursei care urmează a fi reindexată
sau doar verificată

51.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Aspect de interes:
rezoluția adreselor Web
(nume de domeniiadrese IP)
DNS caching, pre-fetching & resolution

52.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Aspect de interes:
realizarea cererilor concurente

53.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Aspect de interes:
extragerea legăturilor
e.g., normalizarea URI-urilor:
www.InfoIasi.Ro:80www.info.uaic.ro

54.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Aspect de interes:
eliminarea adreselor deja vizitate
evitarea „găurilor negre”

55.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Aspect de interes:
monitorizarea accesărilor
load monitoring + managing
(evitarea supra-solicitării serverelor Web)

56.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: căutarea
Aspect de interes:
strategii de revizitare/reîmprospătare
a conținutului resurselor Web

57.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: indexarea
Necesitatea folosirii sistemelor de baze de date
depozit distribuit de stocare (eventual, în cloud)
optimizarea regăsirii

58.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: indexarea
Necesitatea folosirii sistemelor de baze de date
depozit distribuit de stocare (eventual, în cloud)
optimizarea regăsirii
modele non-relaționale de stocare – „mișcarea” NoSQL
printre primele abordări: BigTable (Chang et al., 2006)
http://labs.google.com/papers/bigtable.html

59.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: indexarea
Necesitatea folosirii sistemelor de baze de date
depozit distribuit de stocare (eventual, în cloud)
arhivarea datelor indexate
e.g., recurgerea la algoritmul de compresie bzip2
(cazul Google)

60.
Dr.SabinBuragawww.purl.org/net/busaco
Cum se realizează indexarea?

61.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: indexarea
Utilizarea nu doar a datelor propriu-zise
(conținutului textual), ci și a meta-datelor
e.g., limbă, cuvinte-cheie, autor, format,
data ultimei actualizări,…

62.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: indexarea
Indexare bazată pe cuvinte-cheie
relevanță, plasament, meta-date,
data mining, procesarea limbajului natural,...
versus
indexare semantică – bazată pe concepte
social tagging (folksonomy),
microformate, microdate HTML5,
Web semantic (RDF, RDFa),...

63.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: indexarea
O importanță mare o au:
maniera de structurare a informației și
„relația” unei pagini cu altele înrudite

64.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Cererile sunt formulate via o interfață Web

65.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Cererile sunt formulate via o interfață Web
unele motoare de căutare acceptă
folosirea unor operatori specifici

66.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Cererile sunt formulate via o interfață Web
exemplificare: o parte dintre operatorii Google
"expresie" ~termen –termen
numar1 .. numar2 related: URL cache: URL
intitle: termen(i) intext: termen(i) inurl: termen(i)
link: URL site: domeniu info: domeniu
define: termen filetype: extensie unit1 in unit2
detalii la www.googleguide.com/advanced_operators_reference.html

67.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
digital camera $700 .. 1400
~book
intitle:design –intitle:web
"burse de merit"
site:uaic.ro
inurl: art nouveau
allinurl: js library
16 cm in inch
related:www.w3.org
js mvc inanchor:slideshare
define:design
cache:http://devdocs.io/
map:predeal
firefox filetype:svg OR filetype:png

68.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Interogările din prisma utilizatorului:
grad mare de subiectivitate
e.g., “miserable failure”

69.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Interogările din prisma utilizatorului:
depind de contextul social/cultural
exemple:
“pants” în UK versus US
“madonna and child”

70.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Interogările din prisma utilizatorului:
dependente de scop
informațional (listă, locație, sfat)
navigațional
vizând accesarea resurselor
(download, amuzament, interactivitate,…)

71.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Remarci:
utilizatorii obișnuiți nu înțeleg limbajul logic – „booleana”
exemplu:
“hotels located in Bucharest and Iasi”

72.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Remarci:
interogările uzual sunt scurte (media: 2,6 cuvinte),
dar focalizate – e.g., 25% pe business (conform Yahoo!)
vezi și http://labs.yahoo.com/publication/?area=web-mining-search

73.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Remarci:
apar confuzii:
URI vs. text,
lipsa spațiilor,
vocabular
etc.

74.
Dr.SabinBuragawww.purl.org/net/busaco
Remarci:
implicit, termenii de căutare trebuie să se regăsească
identic în cadrul conținutului unui document Web
e.g., căutând “children”,
nu vom obține neapărat și paginile care includ “kids”
motoare: interogarea

75.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Interogări formulate în limbaj natural:
eliminarea ambiguităților (dezambiguizarea)
filtrarea cuvintelor nerelevante
expandarea interogării: sinonime, forme derivate,…

76.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Evaluarea cererii – schema generală:
1. Analizarea interogării (tokenizing)
2. Căutarea în indecșii termenilor
3. Scanarea documentelor
4. Evaluarea relevanței paginilor
5. Eliminarea duplicatelor + sortarea
6. Afișarea primelor N documente relevante
(URI + alte informații)

77.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Conținutul fiecărui document extras
este analizat și divizat în token-uri

78.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Unele construcții se ignoră/constrâng
e.g., “the”, “is”/“are”/“were” → “be”, “running” → “run”
procesare de bază a conținutului textual

79.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Fiecărui token i se reține și poziția apariției
în document
poziția poate fi folosită
la determinarea relevanței termenului

80.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Criterii vizând calculul relevanței:
ranking bazat pe clasificare umană
resurse clasificate de oameni

81.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Criterii vizând calculul relevanței:
ranking bazat pe informații privitoare
la utilizarea unei resurse
timpul de vizită, periodicitatea vizitei,
frecvența actualizării resursei, importanța relativă etc.

82.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Criterii vizând calculul relevanței:
ranking bazat pe conectivitate
analiza relațiilor (legăturilor hipertext) cu alte pagini
eventual, în funcție de reputație
e.g., importanța domeniului Internet
(sunt luați în calcul factori ca vechimea, localizarea,…)

83.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Calculul relevanței:
tehnici privind IR (Information Retrieval)
căutări bazate pe similaritate – similarity search
recurgând la învățare automată (machine learning)
clasificarea conținutului hipermedia
social network analysis – bibliometrie, prestigiu,…

84.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Page Rank (Google)
evaluarea relevanței pe baza contextului de apariție

85.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Page Rank (Google)
exploatarea relațiilor dintre diferite pagini Web
www.google.com/insidesearch/howsearchworks/algorithms.html

86.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Page Rank (Google)
recurgerea la tehnici adaptive, euristice

87.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Page Rank (Google)
determinarea corelației dintre relevanța calculată
automat de sistem și cea precizată (in)direct
de către utilizator

88.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Page Rank (Google)
(Larry Page & Sergey Brin, 1996 – doctorat la Stanford)
se baza inițial pe structura hipertext
o legătură de la pagina A la B reprezintă
un vot dat paginii B de către A
cu cât un sit este mai important,
cu atât page rank-ul asociat lui e mai mare

89.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Alternative la Page Rank:
TrustRank (Friesen, 2007)
folosește domenii Web de încredere selectate de oameni

90.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Alternative la Page Rank:
TrustRank (Friesen, 2007)
cu cât un sit e mai aproape (în termeni de legături Web)
de siturile evaluate și considerate de încredere
de către oameni, cu atât va avea o importanță mai mare
vizează un sit (domeniu), nu o pagină Web

91.
Dr.SabinBuragawww.purl.org/net/busaco
motoare: interogarea
Alternative la Page Rank:
utilizarea tehnologiilor Web-ului semantic
se iau în considerație concepte (cunoștințe), nu cuvinte
“things, not strings”
de vizionat prezentarea M. Lanthaler, “The Future of the Web
– From Strings to Things” (2015) – https://vimeo.com/133137907

92.
Dr.SabinBuragawww.purl.org/net/busaco
timp strategie
înainte de
2000
conținut – indexarea textului
(titlu, anteturi, URL, descriere via <meta>)
2000—2010
conținut
autoritate (via legături)
2010—
prezent
conținut
autoritate
personalizare (social media + profil utiliz.)
2012—
prezent
conținut
autoritate
personalizare
concepte (date-structurate + Web of data)
context (localizare, timp, dispozitiv,…)
adaptare după (K. Bodnar & J. Hopkins, 2011)
a se studia și www.slideshare.net/randfish/presentations

93.
Dr.SabinBuragawww.purl.org/net/busaco
generale Bing, DuckDuckGo, Google, Yahoo!, Volunia,…
regionale
Baidu (China), Daum (Coreea), Goo (Japonia),
Guruji (India), Rambler (Rusia) etc.
meta-căutare Dogpile, Excite, Mamma, Yippy
enterprise search Apache Solr, ElasticSearch, OpenSearchServer,…
răspunsuri
(answer-based)
umane: Stack Overflow, Yahoo! Answers, Quora
automate: AskMeNow, Evi, Wolfram Alpha
news search BingNews, Daylife, Topix, Yahoo! News,…
hărți (maps) Nokia HERE, OpenStreetMap, WikiMapia etc.
cod-sursă Google Code Search, Koders, Krugle
căutare pe baza P2P FAROO, Seeks, YaCy
desktop search DocFetcher, Recoll, Tropes Zoom
pentru dezvoltatori: Apache Lucene, Apache Nutch,
mnoGoSearch, Namazu, Xapian,…
API-uri: www.programmableweb.com/category/search

94.
Dr.SabinBuragawww.purl.org/net/busaco
Motoarele tind să „recompenseze” siturile:
de mari dimensiuni
cu viață lungă
specializate, de „nișă”
aparținând unor autorități de încredere
motoare: interogarea

95.
Dr.SabinBuragawww.purl.org/net/busaco
SERP (Search Engine Result Page)
specifică maniera de redare a rezultatelor
oferite de motorul de căutare
motoare: afișarea rezultatelor

96.
Dr.SabinBuragawww.purl.org/net/busaco
SERP (Search Engine Result Page)
se includ recomandări pe baza:
preferințelor utilizatorului
istoricului căutărilor
URL-urilor partajate via rețele sociale
meta-datelor (rich snippets)
adnotărilor realizate de utilizatori
localizării geografice (local search)
motoare: afișarea rezultatelor

97.
Dr.SabinBuragawww.purl.org/net/busaco
“At any one time you rank #1 or #8 or #40
based on who is searching, where they search,
and what is happening.”
K. Bodnar & J. Hopkins, 2011

98.
Dr.SabinBuragawww.purl.org/net/busaco
(în loc de) pauză

99.
Dr.SabinBuragawww.purl.org/net/busaco
Cum putem proiecta
mijloacele de căutare internă?

100.
Dr.SabinBuragawww.purl.org/net/busaco
Motor de căutare internă (la nivel de sit)
oferirea de sugestii utilizatorului
e.g., spelling suggestions,
sinonime (car → automobile, truck,…)

101.
Dr.SabinBuragawww.purl.org/net/busaco
Motor de căutare internă (la nivel de sit)
sugestii de soluții
de exemplu, răspunsuri la cele mai frecvente întrebări

102.
Dr.SabinBuragawww.purl.org/net/busaco
Motor de căutare internă (la nivel de sit)
îmbunătățirea interacțiunii – utilizabilitatea
integrarea în designul general al sitului
tactici: oferirea unui următor pas de realizat
(mai ales când nu există rezultate),
sugestii privind căutarea, exemple, rafinarea cererii etc.

103.
Dr.SabinBuragawww.purl.org/net/busaco
Motor de căutare internă (la nivel de sit)
în pagina de redare a rezultatelor, va fi afișată și
interogarea inițială, cu posibilitatea modificării ei
oferirea a cel puțin N rezultate/pagină +
indicarea numărului total de pagini de rezultate
sau
încărcarea progresivă a următoarelor rezultate

104.
Dr.SabinBuragawww.purl.org/net/busaco
Motor de căutare internă (la nivel de sit)
calitatea rezultatelor oferite e dependentă
și de modul de structurare a datelor
fiecare rezultat să includă informații utile
folosirea unui vocabular înțeles de către vizitator,
utilizarea unor tehnici de vizualizare intuitivă,
facilitarea filtrării și sortării datelor etc.

105.
Dr.SabinBuragawww.purl.org/net/busaco

106.
Dr.SabinBuragawww.purl.org/net/busaco
Motor de căutare internă (la nivel de sit)
utilizatorul să aibă libertatea de a efectua
oricând o nouă interogare
evitarea „fundăturilor” – oferirea de ajutor, sugestii,…

107.
Dr.SabinBuragawww.purl.org/net/busaco
Cum trebuie scris codul HTML
pentru a obține o relevanță bună a conținutului?

108.
Dr.SabinBuragawww.purl.org/net/busaco
SEO – Search Engine Optimization
suită de strategii de redactare a codului HTML
în vederea obținerii unei relevanțe ridicate
a conținutului, astfel încât pagina/situl să fie
regăsite în urma unei căutări specifice efectuate
cu un instrument de căutare

109.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea codului-sursă a documentelor Web
Structurarea conținutului
Structurarea legăturilor cu alte pagini

110.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea codului-sursă – SEO la nivel de pagină
documentul trebuie să fie bine-formatat

111.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea codului-sursă – SEO la nivel de pagină
includerea de meta-date:
în antet – elementul <meta />
conținut textual alternativ pentru imagini
(<img alt="..." />), multimedia, legături (<a title="...">),
tabele (<table summary="...">) etc.
atașarea de meta-date externe via elementul <link />

112.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea codului-sursă – SEO la nivel de pagină
a nu se folosi:
cadre (frame-uri)
sau
elemente învechite sau proprietare
(e.g., <blink> ori <marquee>)

113.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea codului-sursă – SEO la nivel de pagină
conținutul primează (“content is king”)
alegerea judicioasă a cuvintelor-cheie în <meta>
criterii: relevanță, densitate, internaționalizare
o importanță majoră o are titlul paginii

114.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea codului-sursă – SEO la nivel de pagină
situl trebuie actualizat periodic, frecvent
un criteriu important: timpul de încărcare
despre performanța
aplicațiilor Web
într-un curs viitor

115.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea conținutului
codul trebuie structurat conform semnificației logice
POSH (Plain Old Semantic HTML)

116.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea conținutului
conținutul relavant trebuie plasat ierarhic
via <h1>, <h2>,...
pentru HTML5, de utilizat noile elemente
vizând structura: <article>, <header>, <footer>, <nav> etc.
layout bazat pe CSS și nu pe marcaje tabelare

117.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea conținutului
conținuturile multimedia binare
trebuie să aibă alternative textuale
anumite date pot fi „ascunse” de roboți via robots.txt

118.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea conținutului
numele fișierelor (imagini, stiluri,…) contează

human friendly URLs

119.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea legăturilor – SEO la nivel de sit
obligatoriu, de inclus legături spre alte pagini
(ale sitului ori ale altor situri)

120.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea legăturilor – SEO la nivel de sit
dorim legături spre/de la situri importante
având conținut similar cu situl nostru
tehnici clasice (considerate „demodate”):
interschimb de link-uri – banner-e, blogroll-uri,
marketing bazat pe context

121.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea legăturilor – SEO la nivel de sit
dorim legături spre/de la situri importante
având conținut similar cu situl nostru
recurgerea la aplicații Web sociale

SMO (Social Media Optimization)

122.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea legăturilor – SEO la nivel de sit
de verificat și menținut structura hipertext!

123.
Dr.SabinBuragawww.purl.org/net/busaco
Structurarea legăturilor – SEO la nivel de sit
a se evita spam-ul
e.g., legături încrucișate între pagini similare
ale aceluiași sit Web ori ale unei colecții de situri
Motoarele de căutare detectează + penalizează spam-ul!
http://searchenginewatch.com/search?query=spam

124.
Dr.SabinBuragawww.purl.org/net/busaco
Utilizarea elementului <meta>
descrierea paginii – description
cuvintele-cheie – keywords
controlul roboților Web – robots
alte informații de interes:
tipul conținutului, relația cu alte pagini,…
seo: strategii

125.
Dr.SabinBuragawww.purl.org/net/busaco
Paginile de „acoperire” (page cloaking)
scop: oferirea de conținut diferit,
în funcție de un anumit criteriu
(aici, conținut special pentru roboții de căutare)
seo: strategii

126.
Dr.SabinBuragawww.purl.org/net/busaco
black-hat page cloaking
tehnică penalizată de Google: http://youtu.be/QHtnfOgp65Q
seo: strategii

127.
Dr.SabinBuragawww.purl.org/net/busaco
„Estetica” URL-urilor
distincția dintre conținutul static și cel dinamic
(componenta query_string de la finalul unui URL)
detectarea simbolurilor “?” și “&”
doc.php?var=sda4312&var2=643f545342
seo: strategii

128.
Dr.SabinBuragawww.purl.org/net/busaco
„Estetica” URL-urilor
indexarea conținutului dinamic poate fi limitată
ori poate fi realizată mult mai lent
numele variabilelor transmise via GET
trebuie să aibă o anumită semnificație
seo: strategii

129.
Dr.SabinBuragawww.purl.org/net/busaco
„Estetica” URL-urilor
evitarea numerelor de sesiune (SID) din URL
uzual, roboții ignoră cookie-urile
seo: strategii

130.
Dr.SabinBuragawww.purl.org/net/busaco
„Estetica” URL-urilor
evitarea numerelor de sesiune (SID) din URL
la nivel de server Web, se poate activa rescrierea
URL-urilor – e.g., utilizarea mod_rewrite la Apache
la nivel de server de aplicații, inhibarea transferului
SID-ului prin URL (PHP: php_flag sesssion.use_trans_sid off)
seo: strategii

131.
Dr.SabinBuragawww.purl.org/net/busaco
„Estetica” URL-urilor
„mascarea” URL-urilor oferind conținut dinamic
exemplificare:
www.penguin.info/species/tux.html – pare static
www.penguin.info/species.php?type=tux – în realitate
seo: strategii

132.
Dr.SabinBuragawww.purl.org/net/busaco
Rezultatul returnat clientului
de evitat paginile de eroare – e.g., 404
orice pagină de eroare poate fi convertită
într-o resursă folositoare omului/robotului
exemple: harta sitului, legături relevante,…
seo: strategii

133.
Dr.SabinBuragawww.purl.org/net/busaco
Rezultatul returnat clientului
se folosesc facilitățile oferite de serverul Web
pentru specificarea de pagini proprii de eroare
e.g., directiva ErrorDocument la Apache
seo: strategii

134.
Dr.SabinBuragawww.purl.org/net/busaco
Navigarea bazată pe interacțiunea cu utilizatorul
legături spre alte resurse realizate exclusiv via Javascript
ori – mai desuet – cu Flash sau Silverlight
<p>informații despre burse <a href="javascript:sari(1);">aici</a></p>
de evitat
greșit!

135.
Dr.SabinBuragawww.purl.org/net/busaco
Oferirea de conținut via documente
adoptând formate de date nestandardizate
de evitat

136.
Dr.SabinBuragawww.purl.org/net/busaco
Titluri identice pentru toate paginile unui sit
de evitat

137.
Dr.SabinBuragawww.purl.org/net/busaco
Pagini de eroare care sunt oferite de server
via codul de stare HTTP 200 Ok
de evitat

138.
Dr.SabinBuragawww.purl.org/net/busaco
Redirecționări incorecte și/sau abuzive
de evitat

139.
Dr.SabinBuragawww.purl.org/net/busaco
Ignorarea utilizatorilor cu nevoi speciale
web accessibility
http://webaim.org/
de evitat

140.
Dr.SabinBuragawww.purl.org/net/busaco
Abuzul de transferuri asincrone prin Ajax
de evitat

141.
Dr.SabinBuragawww.purl.org/net/busaco
Crearea documentului sitemap.xml
pentru a-l expedia la Google Sitemaps
complementar fișierului robots.txt
furnizează structura hipertext a unui sit Web
formate acceptate: text obișnuit, XML, RSS, Atom
detalii la http://sitemaps.org/
seo: instrumente

142.
Dr.SabinBuragawww.purl.org/net/busaco
Resurse de interes:
Google Webmaster Central
https://developers.google.com/webmasters/
Learn SEO and Search Marketing
https://moz.com/learn/seo
Search Engine Land
http://searchengineland.com/
Search Engine Watch
http://searchenginewatch.com/
Search Engines @ VideoLectures
http://videolectures.net/Top/Computer_Science/Search_Engines

143.
Dr.SabinBuragawww.purl.org/net/busaco
Invisible Web (Deep Web)
acea parte a spațiului World Wide Web
care nu este detectată de motoarele de căutare sau
de alte tipuri de aplicații de regăsire a resurselor
disponibile pe Web

144.
Dr.SabinBuragawww.purl.org/net/busaco
Cum am putea descrie conținutul resurselor Web
astfel încât să poată fi procesat „inteligent”?

145.
Dr.SabinBuragawww.purl.org/net/busaco
Idee:
specificarea unor meta-date (date privind datele)
direct în cadrul documentelor HTML

146.
Dr.SabinBuragawww.purl.org/net/busaco
Idee:
specificarea unor meta-date (date privind datele)
direct în cadrul documentelor HTML
microformate
scheme de microdate HTML5
RDFa
la master

147.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate
(Tantek Çelik & Kevin Marks, 2004)
www.microformats.org

148.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate
utilizarea de marcaje (X)HTML pentru a desemna
semantica și/sau structura conținutului
„curentul” POSH (Plain Old Semantic HTML)

149.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate
reutilizarea unor vocabulare de termeni,
disponibile liber și standardizate

150.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate
reutilizarea unor vocabulare de termeni,
disponibile liber și standardizate
realizarea de adnotări semantice direct în HTML
și alte limbaje similare
prelucrare mai facilă a reprezentărilor resurselor

151.
Dr.SabinBuragawww.purl.org/net/busaco
marcaje HTML (<div>, <span>)
pentru specificarea datelor &
structurii lor
„clase” CSS pentru prezentare
și asocierea de descrieri
ale meta-datelor
structurarea
paginilor Web:
precizarea
înțelesului
(semanticii)
conținutului

152.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate
elementare – desemnează o caracteristică unică
+
compuse – specifică mai multe proprietăți
care modelează un aspect de interes
– e.g., un concept (entitate): persoană, eveniment,…

153.
Dr.SabinBuragawww.purl.org/net/busaco
rel-tag
asociază unei legături hipertext un termen (tag)
– cuvânt-cheie ori subiect – ales liber de autor
(tagging content)

154.
Dr.SabinBuragawww.purl.org/net/busaco
rel-tag
<p>Tutorial despre <a href="http://www.slideshare.net/tag/web"
rel="tag">www</a>.</p>
<p>Expertiză: <a href="http://en.wikipedia.com/wiki/Unix"
rel="tag" class="skill">UNIX</a>.</p>
<a href="http://flickr.com/photos/tags/Penguin" rel="tag">
<img src="tux.jpg" alt="Foto cu un pinguin" /></a>

155.
Dr.SabinBuragawww.purl.org/net/busaco
XFN (XHTML Friend Network)
relații între „prieteni”: colaboratori, rude, cunoscuți,…
<a href="http://www.infoiasi.ro/~dlucanu/"
rel="met, colleague, co-worker, neighbor">
Dorel Lucanu</a>

156.
Dr.SabinBuragawww.purl.org/net/busaco
recurgerea la XFN în cadrul sistemului WordPress

157.
Dr.SabinBuragawww.purl.org/net/busaco
hCalendar
desemnează evenimente și orare
vezi formatul iCalendar – RFC 5545
https://tools.ietf.org/html/rfc5545

158.
Dr.SabinBuragawww.purl.org/net/busaco
hCalendar
<div class="vevent">
<a class="url" href="http://tinyurl.com/cliw-seo"
<abbr class="dtstart" title="20151109">9 noiembrie 2015</abbr> --
<abbr class="dtend" title="20160110">10 ianuarie 2016</abbr>
<span class="summary">Concurs SEO @ CLIW</span> la
<span class="location">FII, UAIC Iași</span></a>
<div class="description">Un concurs vizând SEO
pentru articole referitoare la biblioteci JavaScript</div>
</div>

159.
Dr.SabinBuragawww.purl.org/net/busaco
hCard
informații de contact despre persoane, organizații etc.
în conformitate cu formatul vCard – RFC 6350, 6868
https://tools.ietf.org/html/rfc6350

160.
Dr.SabinBuragawww.purl.org/net/busaco
specificarea informațiilor despre o persoană via hCard

161.
Dr.SabinBuragawww.purl.org/net/busaco
hResume
modelează informații despre un CV
folosit în conjuncție cu hCard și hCalendar

162.
Dr.SabinBuragawww.purl.org/net/busaco
hReview
desemnează opinii emise despre „ceva” – o entitate
(produs, locație, eveniment, persoană,…)

163.
Dr.SabinBuragawww.purl.org/net/busaco
<div class="hreview">
<!-- resursa recenzată -->
<h1 class="item">Recenzie despre <a class="fn url" title="Situl FII"
href="http://www.info.uaic.ro/">situl Web al FII</a></h1>
<p> <!-- 'punctajul' obținut (5 din 5), sumarul & data recenziei -->
<abbr class="rating stars" title="5">* * * * *</abbr>
<span class="summary title">Modern</span>,
<abbr class="dtreviewed"
title="2010-05-18T22:45:00">18 mai</abbr>
</p>
<!-- autorul recenziei marcat prin hCard -->
<p class="reviewer">Autor al recenziei: <span class="vcard">
<a class="url fn n" href="http://www.purl.org/net/busaco"
title="Spre situl Web al lui Sabin Buraga">
<span class="given-name">Sabin</span>
<span class="family-name">Buraga</span></a></span></p>
<div class="description"> <!-- detalii despre recenzie --> </div>
</div>

164.
Dr.SabinBuragawww.purl.org/net/busaco

165.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate 2
simplifică maniera de specificare (2012)
http://microformats.org/wiki/microformats2

166.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate 2
vocabularele sunt definite pe baza unor prefixe
h- includerea unui microformat
p- specificarea unei proprietăți simple
u- desemnarea unui URL
dt- definirea de valori privind data & timpul
e- specificarea de proprietăți compuse

167.
Dr.SabinBuragawww.purl.org/net/busaco
<div class="h-card vcard">
<img src="/content/content_about-experts/brendaneich.jpg"
alt="Brendan Eich">
<h5><a href="http://brendaneich.com/"
class="p-name fn u-url url">Brendan Eich</a></h5>
<p class="p-note note">
Created JavaScript, co-founded the mozilla.org project…</p>
<span class="p-category category">Technology</span>
</div>
exemplu de utilizare a microformatului hCard
(în ambele versiuni)

168.
Dr.SabinBuragawww.purl.org/net/busaco
Microformate 2
vocabulare predefinite – unele în stadiu de ciornă:
h-adr h-card h-entry h-event
h-geo h-item h-product h-recipe
h-resume h-review h-review-aggregate

169.
Dr.SabinBuragawww.purl.org/net/busaco
<!-- specificarea unui eveniment via microformate versiunea 2 -->
<section class="h-event">
<a class="p-name u-url" href="http://tinyurl.com/cliw-seo">
Concurs SEO @ CLIW</a>
de la <time class="dt-start">2015-11-09</time>
până la <time class="dt-end">2016-01-10</time>, fiind organizat la
<span class="p-location h-card">
<a class="p-name p-org u-url" href="http://www.info.uaic.ro/">
Facultatea de Informatică</a>,
<span class="p-street-address">Strada Berthelot, 16</span>,
<span class="p-locality">Iași</span>,
<abbr class="p-region" title="Iași">IS</abbr>
</span>
</section>

170.
Dr.SabinBuragawww.purl.org/net/busaco
microformate: utilizări
…și multe altele
detalii la http://microformats.org/wiki/implementors
Drupal
Google
Intel
Joomla
Microsoft
Nature Publishing Group
Six Apart
TYPO3
Yahoo!
XWiki

171.
Dr.SabinBuragawww.purl.org/net/busaco
microformate: utilizări
detectarea și exportul de microformate cu extensia
Operator pentru Firefox

172.
Dr.SabinBuragawww.purl.org/net/busaco
Microdata HTML 5
alternativă la microformate
specificație W3C – Working Draft (octombrie 2013)
www.w3.org/TR/microdata/
a se studia și http://html5doctor.com/microdata/

173.
Dr.SabinBuragawww.purl.org/net/busaco
Microdata HTML 5
posibilitatea de a specifica perechi de proprietăți
(nume, valoare) „scufundate” în HTML

174.
Dr.SabinBuragawww.purl.org/net/busaco
Microdata HTML 5
grupurile de perechi de proprietăți nume—valoare
sunt denumite items

175.
Dr.SabinBuragawww.purl.org/net/busaco
Microdata HTML 5
grupurile de perechi de proprietăți nume—valoare
sunt denumite items
creare via atributul itemscope
specificarea unei proprietăți prin atributul itemprop
referire cu ajutorul atributului itemref

176.
Dr.SabinBuragawww.purl.org/net/busaco
Microdata HTML 5
grupurile de perechi de proprietăți nume—valoare
sunt denumite items
asocierea unui tip de date se face cu atributul itemtype
pentru identificarea unui item se folosește itemid

177.
Dr.SabinBuragawww.purl.org/net/busaco
Există o serie de modele de date
(exprimate via microformate sau microdate)
ce pot fi indexate și folosite
de actualele motoare de căutare?

178.
Dr.SabinBuragawww.purl.org/net/busaco
schema.org
colecție de vocabulare (scheme de date)
– e.g., Book, Event, LocalBusiness, Movie, Offer, Person,
Place, Recipe, Review, TVSeries,… – recunoscute și
indexate de roboții principalelor motoare de căutare
Bing, Google, Yahoo!, Yandex

179.
Dr.SabinBuragawww.purl.org/net/busaco
schema.org
colecție de vocabulare (scheme de date)
– e.g., Book, Event, LocalBusiness, Movie, Offer, Person,
Place, Recipe, Review, TVSeries,… – recunoscute și
indexate de roboții principalelor motoare de căutare
Bing, Google, Yahoo!, Yandex
amănunte la https://schema.org/docs/gs.html
modele
conceptuale

180.
Dr.SabinBuragawww.purl.org/net/busaco
a se consulta și http://www.w3.org/wiki/WebSchemas

181.
Dr.SabinBuragawww.purl.org/net/busaco
tipurile primare de date definite de schema.org

182.
Dr.SabinBuragawww.purl.org/net/busaco
diverse proprietăți ce relaționează Integer cu alte concepte

183.
Dr.SabinBuragawww.purl.org/net/busaco
Thing – schema cea mai generală, incluzând conceptualizări
Action
BroadcastService
CreativeWork
Event
Intangible
MedicalEntity
Organization
Person
Place
Product
Class
Property
modelare de
cunoștințe
(via o ontologie)

184.
Dr.SabinBuragawww.purl.org/net/busaco
Person – modelează conceptul „persoană”
http://schema.org/Person

185.
Dr.SabinBuragawww.purl.org/net/busaco
schema.org
relațiile dintre entități sunt precizate via proprietăți

186.
Dr.SabinBuragawww.purl.org/net/busaco
<div lang="en" itemscope="" itemtype="http://schema.org/RealEstateAgent">
<span itemprop="name">Tuxy Unlimited</span>
<div itemprop="address" itemscope=""
itemtype="http://schema.org/PostalAddress">
<span itemprop="streetAddress">Banchiza, 1</span>
<span itemprop="addressLocality">Iasi</span>,
<span itemprop="addressRegion">Iasi</span>
<span itemprop="postalCode">700550</span>
</div>
Phone: <span itemprop="telephone">+4032201090</span>
<a href=
"http://www.openstreetmap.org/way/243817200#map=18/47.17493/27.57378"
itemprop="maps">Details on OpenStreetMap</a>
</div>
fapte vizând
domeniul imobiliar
…pe baza modelului
conceptual schema.org

187.
Dr.SabinBuragawww.purl.org/net/busaco
<ul>
<li>
<p itemid="#busaco" itemscope="" itemtype="http://schema.org/Person">
<a href="http://www.purl.org/net/busaco"
title="Spre situl Web al lui Sabin-Corneliu Buraga" itemprop="url">
<span itemprop="name">
<span itemprop="givenName">Sabin-Corneliu</span>
<span itemprop="familyName">Buraga</span>
</span>
</a> &ndash; curs</p>
</li>
<li>
<p itemid="#acip" itemscope="" itemtype="http://schema.org/Person">
<a href="http://ro.linkedin.com/in/ciprianamariei"
title="Despre Ciprian Amariei" itemprop="url">
<span itemprop="name">
<span itemprop="givenName">Ciprian</span>
<span itemprop="familyName">Amariei</span>
</span></a> &ndash; laborator</p>
</li>
</ul>
specificarea faptului:
„Ciprian Amariei este o persoană”

188.
Dr.SabinBuragawww.purl.org/net/busaco
extragerea/verificarea de date structurate
via Structured Data Testing Tool
https://developers.google.com/structured-data/testing-tool/

189.
Dr.SabinBuragawww.purl.org/net/busaco
<section id="week6">
<h2>Săptămâna 6</h2>
<ul>
<li itemscope="" itemtype="http://schema.org/CreativeWork"
itemid="#cliw-lecture6">
<aside class="menu">concurs: <a href="web-contest.html" title="Detalii">
SEO @ CLIW</a></aside>
<p class="lecture">Curs: <a href="presentations/web06-Regasirea-
resurselor-Web-SEO-Microformate-MicrodateHTML5.pdf"
title="Prezentare în format PDF" itemprop="url">
<span itemprop="name">(Re)găsirea resurselor Web</span></a>
</p>
<div class="terms" itemprop="keywords">căutare Web, robot,
motor de căutare, interogare, SEO, microformate, HTML5 microdata</div>
</li>
…
</ul>
</section>
specificarea în HTML5 a lucrărilor creative de tip
CreativeWork conform modelului conceptual schema.org

190.
Dr.SabinBuragawww.purl.org/net/busaco
extragerea
informațiilor
din HTML5
aici, despre
prelegerile
materiei CLIW

191.
Dr.SabinBuragawww.purl.org/net/busaco
<article itemscope="" itemtype="http://schema.org/Event">
<section id="contest">
<h2>Tema</h2>
<p>Concursul este destinat studenților
<span itemprop="location" itemscope="" itemtype="http://schema.org/Place">
<a href="http://www.info.uaic.ro/" itemprop="url" title="Spre situl FII>
<span itemprop="name">FII</span></a>
(UAIC <span itemprop="address">Iași, România</span>)</span>
și constă în optimizarea conținutului și structurii unui sit Web.</p>
…
<p>Perioadă de desfășurare:
<span itemprop="startDate" content="2015-11-09T00:00">9 noiembrie 2015
</span>—<strong><span itemprop="endDate" content="2016-01-10T16:00">
10 ianuarie 2016</span></strong>, ora 16:00.</p>
</section>
…
</articol>
pe baza schema.org, se pot modela în HTML date vizând un
eveniment (Event) și locul de desfășurare a acestuia (Place)

192.
Dr.SabinBuragawww.purl.org/net/busaco
date pentru „consum” uman vs. date structurate
interpretate și prelucrate, ulterior, de algoritmi

193.
Dr.SabinBuragawww.purl.org/net/busaco
<!-- microformate (utilizarea microformatului hCard) -->
<div class="vcard">
<p>Nume: <span class="fn">Sabin Buraga</span></p>
<p>Titlu academic: <span class="title">Dr.</span></p>
</div>
<!-- microdate HTML5 -->
<div itemscope itemtype="http://schema.org/Person">
<p>Nume: <span itemprop="name">Sabin Buraga</span></p>
<p>Titlu academic: <span itemprop="title">Dr.</span></p>
</div>
microformate↔microdate
adaptare după Marco Lisci & Luisa Scarlata (2011)

194.
Dr.SabinBuragawww.purl.org/net/busaco
Alte resurse de interes,
inclusiv instrumente de validare și conversie,
sunt oferite de situl Web
http://getschema.org/

195.
Dr.SabinBuragawww.purl.org/net/busaco
Microformatele și microdatele HTML5
sunt indexate de motoarele de căutare
Bing Webmaster
http://tinyurl.com/b9mx2f2
Google Structured Data
developers.google.com/structured-data/
Yahoo! BOSS (Build your Own Search Service)
developer.yahoo.com/search/boss/
Yandex Webmaster
yandex.com/support/webmaster/schema-org/

196.
Dr.SabinBuragawww.purl.org/net/busaco
Cum ar putea fi detectate și penalizate
siturile Web care „trișează” în ceea ce privește
tehnicile SEO, eventual recurgând la
microformate/microdate HTML5?
discuție (pentru acasă)

197.
Dr.SabinBuragawww.purl.org/net/busaco
Oferiți o soluție (empirică) de prevenire
a spam-ului vizând documentele HTML
test scris #2 (T2)

198.
Dr.SabinBuragawww.purl.org/net/busaco
episodul viitor: limbajul JavaScript