Specializovan² t²denφk o v²poΦetnφ technice
o Internetu
(CW 49/96)

---

Roboty WWW: Novß generace na scΘn∞

Ji°φ T. Pelech

Celosv∞tovß pavuΦina je doslova nep°ebernou zßsobßrnou vÜech mo₧n²ch i nemo₧n²ch ·daj∙. Dφky Internetu s jeho celosv∞tov²m dosahem jsou komukoli dostupnΘ (tΘm∞°) vÜechny strßnky, kterΘ se objevφ v PavuΦin∞ kdekoli na naÜφ planet∞. PoΦet takto vystaven²ch strßnek dosahuje astronomick²ch Φφsel, tak₧e nenφ v lidsk²ch silßch mφt p°ehled o vÜem, co se kde objevφ. Zmapovat alespo≥ n∞jakou Φßst WWW se v Internetu -- s r∙zn²mi ·sp∞chy a v r∙znΘm rozsahu -- sna₧φ kdekdo. Jen mßlo jich vÜak dosßhlo celosφ¥ovΘ proslulosti a jen mßlo z nich si dovede udr₧et p°ehled.

S nßstupem PavuΦiny se objevily i prvnφ databßze strßnek WWW. Obecn∞ se jim °φkß seznamy a zpravidla jsou sestavovßny jednφm nebo n∞kolika lidmi, kter² °adφ odkazy na strßnky podle p°edem p°ipravenΘho schΘmatu. Nejznßm∞jsφ z nich je bezpochyby Yahoo (http://www.yahoo.com). Tyto databßze jsou vhodnΘ ve chvφlφch, kdy se zajφmßte o urΦitΘ tΘma a kdy mßte alespo≥ hrubou p°edstavu, co p°esn∞ chcete. Potom staΦφ zabrousit do p°edem vytipovanΘ oblasti databßze a poohlΘdnout se kolem. Zpravidla naleznete n∞jakou stopu, kterß vßs nakonec ·sp∞Ün∞ dovede k cφli.

Nep°edstaviteln∞ prudk² nßr∙st poΦtu strßnek WWW (a tφm i objemu dat) podnφtil myÜlenku automatick²ch sb∞raΦ∙ informacφ - robot∙, kterΘ samovoln∞ prohledßvajφ prostor PavuΦiny a vyrßb∞jφ jakΘsi rejst°φky. Tyto rejst°φky potom vyu₧φvajφ p°i pßtranφ po informacφch a odkazech, o kterΘ jsou po₧ßdßny. V tΘto oblasti je konkurence znateln∞ v∞tÜφ, proto₧e Üpici ledovce tvo°φ nejmΘn∞ p∞t prohledßvacφch gigant∙. Dnes se zam∞°φme na horkou novinku, kterou jejφ tv∙rci oznaΦujφ robotem novΘ generace, a kterß je k dispozici zatφm jen v testovacφ verzi.

Infoseek Ultra

Firma Infoseek nenφ v PavuΦin∞ novßΦkem, jejφ robot se v poslednφch letech umis¥oval na p°ednφch mφstech hodnocenφ v kategorii vyhledßvacφch nßstroj∙. S nßstupem dravΘ konkurence a s neustßl²m bujenφm Sφt∞ vÜak ztrßcel Infoseek na d∙le₧itosti a byl znateln∞ odsouvßn do pozadφ, a to zejmΘna kv∙li nedostateΦnΘ rychlosti odpov∞dφ a relativnφ zastaralosti ·daj∙ v databßzi.

V²vojov² t²m Infoseeku vÜak zvedl rukavici hozenou sv²mi rivaly a vstoupil do arΘny s nov²m nßstrojem -- Infoseekem Ultra (http://ultra.infoseek.com).

Mezi jeho hlavnφ v²hody by m∞ly pat°it: rychlost -- dokß₧e vy°φdit a₧ 1 000 dotaz∙ v pr∙b∞hu jednΘ vte°iny (nejen jednotliv²ch slov, ale i jejich slo₧it²ch kombinacφ); rozsah -- v souΦasnΘ dob∞ mß k dispozici zhruba 80 mil. odkaz∙, v tom 50 mili≤n∙ prozkouman²ch strßnek, p°iΦem₧ se sna₧φ pominout n∞kolik r∙zn²ch adres jednΘ strßnky; aktußlnost -- pokud p°idßte nov² odkaz, je okam₧it∞ zaregistrovßn a za°azen do databßze; p°esnost -- umφ hledat slova i s ohledem na velkß a malß pφsmena, dokß₧e rozliÜovat anglickß slova a hledat i jejich p°φbuznΘ tvary, hledß celΘ v∞ty nebo jejich Φßsti; u v²sledku vypisuje celkov² poΦet nalezen²ch strßnek; jednoduchost ovlßdßnφ -- krom∞ obvykl²ch logick²ch konstrukcφ porozumφ dokonce i jednoduch²m tßzacφm v∞tßm v angliΦtin∞, tak₧e s nφm m∙₧e komunikovat i naprost² laik.

P°edchozφ odstavec se opφrß o dokumentaci robotu, kterou nabφzejφ jeho tv∙rci, tak₧e jim m∙₧eme v∞°it nebo nemusφme. Jß jsem si jej samoz°ejm∞ vyzkouÜel sßm. V pond∞lφ veΦer jsem hledal spojenφ "hlavni nadrazi". Infoseek Ultra mi nabφdl prvnφ desφtku (z celkovΘho poΦtu 1 118) odkaz∙ po necel²ch t°ech vte°inßch. Jeho p°edch∙dce naÜel celkem 32 odkaz∙, p°iΦem₧ prvnφch deset se mi objevilo po p∞ti vte°inßch. Alta Vista mi po dvou vte°inßch nabφdl prvnφch deset ze 184 odkaz∙. Lycos mi po zhruba devφti vte°inßch vypsal prvnφch deset z 11 odkaz∙. HotBot mi po Φtrnßcti vte°inßch p°edvedl prvnφ desφtku z 217 odkaz∙. Web Crawler m∞ po 72 vte°inßch uspokojil t°iceti odkazy. Excite nalezl celkem 130 odkaz∙ a prvnφch deset mi p°edvedl po t°inßcti vte°inßch.

To jsou samoz°ejm∞ jen Φφsla. Mnohem d∙le₧it∞jÜφ je, jestli nßm nalezenΘ odkazy k n∞Φemu budou. V tomto konkrΘtnφm p°φpad∞ jsem naÜel hlavnφ nßdra₧φ nejen v Praze, ale i v dalÜφch m∞stech ╚R a USA. Proto jsem podmφnku z·₧il na "hlavni nadrazi praha". Nßsleduje struΦn² p°ehled doby hledßnφ a celkovΘho poΦtu nalezen²ch odkaz∙. Infoseek Ultra: 4s + 802; Infoseek: 5s + 437; Alta Vista: 6s + 100; Lycos: 17s + 5; HotBot: 10s + 159; Web Crawler: 88s + 388; Excite: 14s + 91. (Viz tΘ₧ graf)

Jak je vid∞t, nabφzφ opravdu Infoseek Ultra v krßtkΘ dob∞ nejvφce odkaz∙, p°iΦem₧ jejich skladba byla v mΘm p°φpad∞ podivuhodn∞ podobnß rejst°φku konkurenΦnφho HotBotu. Nevφm, mo₧nß Ülo jen o nßhodu. Dßle jsem si vÜiml, ₧e Alta Vista nabφzφ v prvnφ desφtce vφce odkaz∙ ze zahraniΦφ ne₧ od nßs (nap°. ze Skandinßvie a Francie), zatφmco u vÜech ostatnφch robot∙ p°ev₧ujφ odkazy na naÜe zdroje.