Web Superficial y Web Profunda
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 dinámica mente, 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 específico Veamos algunos de los recursos de búsqueda.
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.
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.
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 aran celada
