PDF de programación - Aplicaciones documentales de la recuperación de información

Sistemas de recuperación e internet
Metadescripción, procesamiento, webcrawling, técnicas de consulta



avanzada, hacking documental y posicionamiento web

Manuel Blázquez Ochando

Monografías electrónicas

mblazquez.es



Sistemas de Recuperación e Internet

Sistemas de recuperación e internet: metadescripción,

procesamiento, webcrawling, técnicas de consulta avanzada, hacking
documental y posicionamiento web / Manuel Blázquez Ochando .–
Madrid: mblazquez.es, 2013.

133p. ; 21cm.– (Libros y manuales de la Documentación; 3)
ISBN 978-84-695-7019-7

1. Biblioteconomía y Documentación 2. Recuperación de


BLÁZQUEZ OCHANDO, Manuel



Información I. Título II. Series



025.4.036:004

BLA
sis



UNIVERSIDAD COMPLUTENSE DE MADRID
Facultad de Ciencias de la Documentación



1ªed. enero 2013, Madrid
© Copyright 2013. Manuel Blázquez Ochando
Publicado por mblazquez.es
ISBN 978-84-695-7019-7



1

Sistemas de Recuperación e Internet

Índice

1.

Introducción .......................................................................................................... 4

2.

3.

4.

5.

6.

7.

8.

9.

Dublin Core básico: principios y fundamentos .................................................... 5

Dublin Core avanzado: etiquetado completo ...................................................... 11

Dublin Core: referencia de codificación ............................................................. 15

Dublin Core en RDF ........................................................................................... 23

MADS: metadatos para la descripción de autoridades ....................................... 33

MODS: metadatos para la descripción de objetos bibliográficos ....................... 42

METS: metadatos para la descripción de metadatos .......................................... 48

Lectura de metadatos: programas parser ............................................................ 53

10. Webmetría y análisis de páginas web ................................................................. 58

11.

12.

13.

14.

15.

Técnicas de consulta dinámica GET en Google ................................................. 66

Búsqueda con operadores avanzados y directorios de servidores ...................... 71

Extensión de consultas avanzadas y recuperación de volcados de datos ........... 77

Tácticas de posicionamiento web – SEO search engine optimization ............... 80

Ejercicios prácticos ............................................................................................. 94

Práctica1. Metadatos y descripción Dublin Core ........................................................ 94

Práctica2. Descripción bibliográfica Dublin Core ...................................................... 98

Práctica3. Dublin Core RDF y generadores de metadatos ........................................ 100

Práctica4. Descripción de autoridades MADS.......................................................... 102

Práctica5. Descripción bibliográfica con MODS ..................................................... 104

Práctica6. Análisis y recuperación parser de metadatos ........................................... 105

Práctica7. Análisis webcrawler ................................................................................. 107

Práctica8. Consultas dinámicas URL en Google ...................................................... 110

Práctica9. Operadores avanzados y directorios de servidores .................................. 114

Práctica10. Recuperación de volcados de datos ....................................................... 116

Práctica11. Configuración de archivo robots.txt y sitemap.xml ............................... 119
2



Práctica12. Cálculo de PageRank ............................................................................. 122

Sistemas de Recuperación e Internet

Índice de tablas ................................................................................................. 125

Índice de figuras ............................................................................................... 127

Bibliografía y referencias ................................................................................. 128



3

16.

17.

18.



Sistemas de Recuperación e Internet

Introducción

1.

La búsqueda y recuperación en Internet consta de métodos y técnicas complementarios
a los empleados en el desarrollo de algoritmos en los motores de búsqueda, véase blog
de la asignatura Técnicas Avanzadas de Recuperación de Información. En este sentido,
se estudiarán con detenimiento todos los metadatos Dublin Core básicos y extendidos,
para su aplicación en páginas web en forma de etiquetas embebidas dentro del código
fuente de una página web y en formato RDF. Tales sistemas de meta-descripción
favorecen los procesos de indexación y recuperación de cualquier página web, siendo
considerados como uno de los factores que permite un posicionamiento en los ranking
de resultados en los principales buscadores. Unido a este posicionamiento, se
encuentran la webmetría y la cibermetría que estudian cuantitativa y cualitativamente
las características de los sitios web y sus páginas, así como su nivel de enlazamiento,
topografía y grafo correspondientes. Estas técnicas de estudio de la web son de utilidad
para elaborar investigaciones que determinan la importancia de cada sitio web, así como
para desarrollar una base de conocimiento útil para su explotación, mediante minería de
datos, por ejemplo.

Pero también se consideran de importancia, las técnicas de consulta avanzadas por
medio del protocolo REST, empleando variables dinámicas en la URL de consulta de
los principales buscadores, que en muchos casos actúa con una enorme versatilidad para
resolver problemas de búsqueda más especializados. En este sentido, el conocimiento de
técnicas básicas de hacking, pueden facilitar la recuperación de información en
directorios, la localización de documentos y versiones de páginas web que resultan de
difícil acceso. En resumen, puede definirse la búsqueda en Internet, como un verdadero
campo de pruebas en continua expansión, cuyas tácticas y métodos se mantienen en
continuo cambio y progresión.



4

Sistemas de Recuperación e Internet

2. Dublin Core básico: principios y fundamentos

Qué es un metadato
El origen de los metadatos, se encuentra en el ámbito de la automatización y el
desarrollo de bases de datos para la gestión de información. En los años 60 Jack Myers
acuño el concepto metadato para referirse al conjunto de campos que permitían describir
un producto para su puesta en circulación dentro del mercado. Esta primera
aproximación fue de especial relevancia para aumentar y afinar el ámbito de aplicación
al entorno web y más especialmente en el ámbito biblioteconómico y documental. se
puede definir un metadato como "una descripción de modelos de descripción o
catalogación de una serie de elementos, objetos, documentos e incluso etiquetas de
descripción". Ésta definición tan amplia, proporciona una idea de la dificultad de
acotación, téngase pues como ejemplos, los campos de un ficha catalográfica, los
factores de análisis de un estudio comparado, los indicadores de riqueza de un país, los
campos de tipificación y parameterización de campos de las bases de datos e incluso la
estructura de un artículo científico, pueden ser considerados metadatos. En este sentido,
cualquier sistema o convención que permita describir un dato, estructurarlo u
organizarlo, es un metadato. Aledaña a esta concepción, se sitúa el concepto meta-
información e incluso meta-conocimiento que hacen alusión a estadios de abstracción
más elaborados, partiendo del dato original. Por estos motivos los profesionales de la
información, así como la propia Documentación, deben estudiar qué métodos de meta
descripción aplicar para cada caso. Según (GILLILAND, A.J.; GILL, T.; WHALEN,
M.; WOODLEY, M.S. 2008) existen diversos contextos de aplicación de los metadatos,
véase tabla1.


Contexto

Aplicación

Ejemplos

Administrativo

Gestión y administración de recursos
de información

Adquisición de información

−
− Derechos y reproducción
− Requerimientos legales para el acceso
−
− Criterios de selección
− Control de versiones

Localización de información

Descriptivo

Representación de recursos de
información

− Registros catalográficos
−
−
− Relaciones hipertextuales

Asistencia a la recuperación
Índices especializados



5

Sistemas de Recuperación e Internet

Preservación

Salvaguardar recursos de información

− Condiciones de uso
−
Estado de conservación
− Medidas de preservación
− Copias de seguridad de la información

Técnico

Funcionamiento de sistemas de
información

− Documentación y ayuda de programas

informáticos

− Digitalización de la información
−
− Control de tiempo de respuesta

Autentificación y datos de seguridad

Uso

Nivel y tipo de uso de los recursos
informativos

Información de versiones

−
− Reutilización de la información

Tabla 1. Contextos de aplicación de los metadatos


Un ejemplo de la importancia de los metadatos es la consideración como tal, de las
principales normas de descripción y clasificación utilizadas en Biblioteconomía y
Documentación, como se demuestra en la siguiente comparativa de metadatos
normalizados, en los que se identifica claramente la CDWA, CCO, VRA, MARC,
MODS, Dublin Core, DACS, EAD, OBJECT ID, CIMI, FDA.

Meta-etiquetas en la Web
Los meta