Cuprins 5 secțiuni
Un motor de căutare este un sistem care a citit în prealabil o parte uriașă din web, a organizat ce a citit și îți livrează în fracțiuni de secundă paginile cele mai potrivite pentru întrebarea ta. Când scrii o interogare, motorul nu pornește să caute pe internet în acel moment; consultă un index construit din timp, la fel cum cauți într-o carte după cuprinsul de la sfârșit, nu răsfoind toate paginile.
Procesul are trei etape: descoperirea paginilor, indexarea lor și clasarea rezultatelor. Mai jos le parcurgi pe rând, vezi ce înseamnă un „index inversat”, cum decide algoritmul ce apare primul și de ce două persoane pot primi rezultate diferite pentru aceeași căutare.
Cum găsește motorul paginile web?
Descoperirea se face cu ajutorul unor programe automate numite crawlere sau roboți, care pornesc de la pagini cunoscute și urmează linkurile din ele spre pagini noi. Fiecare link găsit este adăugat într-o listă de vizitat, iar procesul se repetă continuu, ca un cititor care sare de la o trimitere la alta.
Un site poate ușura munca roboților printr-un fișier sitemap, o hartă a paginilor, și poate limita accesul prin fișierul robots.txt, care spune ce zone nu trebuie parcurse. Pagina care nu are niciun link din alte locuri și nu apare într-o hartă a site-ului poate rămâne nedescoperită ani de zile. Robotul vizitează paginile periodic: cele care se schimbă des sunt reverificate mai repede, cele statice mai rar.
Ce este indexul unui motor de căutare?
Indexul este baza de date în care motorul stochează, pentru fiecare cuvânt, lista paginilor care îl conțin. Tehnic se numește index inversat: în loc să pornești de la pagină spre cuvintele ei, pornești de la cuvânt spre pagini. Așa găsești instantaneu toate paginile care conțin „router”, fără să le citești din nou pe toate.
După ce un robot descarcă o pagină, motorul o analizează: extrage textul, titlurile, imaginile, linkurile și datele despre limba și subiectul ei. Apoi trimite informația în index, împreună cu semnale despre calitate. Volumul datelor este atât de mare încât indexul este împărțit pe mii de servere, un exemplu de organizare descris în articolul despre centrele de date. Datele sunt apoi comprimate cu metode ca cele din articolul despre compresie. Dacă vrei să înțelegi cum sunt păstrate asemenea cantități de informație, vezi și bazele de date explicate.
Cum alege algoritmul ordinea rezultatelor?
Algoritmul de clasare compară fiecare pagină candidată cu întrebarea ta și ordonează paginile după un scor calculat din sute de semnale. Nu există o singură regulă; diferă de la un motor la altul și se schimbă constant, de aceea nimeni din afară nu poate prezice exact un rezultat.
Semnalele se grupează în câteva familii mari:
| Familie de semnale | Ce urmărește | Exemplu |
|---|---|---|
| Relevanță | cât de bine se potrivește pagina cu întrebarea | cuvintele căutate apar în titlu și în text |
| Calitate | cât de utilă și de demnă de încredere pare pagina | conținut original, autor clar, informații corecte |
| Autoritate | cât de mult o recomandă alte pagini | linkuri primite de la site-uri cunoscute |
| Experiență | cum se comportă pagina pentru vizitator | încărcare rapidă, afișare corectă pe telefon |
| Context | cine caută și de unde | limba, țara, istoricul căutărilor |
Motoarele moderne încearcă să înțeleagă și sensul întrebării, nu doar cuvintele. Dacă scrii „cum repar un robinet care picură”, sistemul recunoaște intenția, adică o instrucțiune practică, și caută pagini potrivite chiar dacă nu conțin exact acea formulare. Pentru asta se folosesc modele de limbaj, similare celor din articolul despre modelele de limbaj mari.
De ce văd rezultate diferite față de altcineva?
Rezultatele sunt personalizate parțial. Contează locația, limba setată, dispozitivul și, uneori, căutările tale anterioare. Cineva care caută „pizza” în Cluj va primi alte locuri decât cineva din Constanța, deoarece motorul presupune că vrei opțiuni apropiate.
Cum îți dai seama dacă un rezultat este de încredere?
Un rezultat bine plasat nu garantează că informația este corectă. Clasarea măsoară utilitatea estimată și semnale indirecte, nu adevărul, iar o pagină bine optimizată poate fi mai vizibilă decât una mai exactă. Verifică cine a scris pagina, dacă articolul citează surse, dacă informația apare la mai multe locuri independente și când a fost actualizat conținutul.
Pentru recomandări și reclame, motorul amestecă uneori rezultate plătite. Ele sunt marcate, de obicei, cu o etichetă precum „Sponsorizat” sau „Reclamă”. Merită să-ți faci obiceiul să le deosebești, la fel cum te uiți la sursa unui mesaj înainte să-i dai crezare. Pentru o privire de ansamblu asupra modului în care funcționează lucrurile digitale, vezi articolul de bază al categoriei. Despre cum selectează și alte sisteme ce vezi, citește articolul despre algoritmii de recomandare.
Sfat: pentru o căutare precisă, pune expresia între ghilimele ca să fie căutată întocmai, adaugă un minus în fața unui cuvânt ca să-l excluzi și restrânge perioada când ai nevoie de informații actualizate.
Întrebări frecvente
Motorul de căutare caută pe internet în timp real?
Nu. Caută în indexul pe care l-a construit în prealabil, de aceea răspunde în fracțiuni de secundă. De asemenea, o pagină nouă apare în rezultate abia după ce a fost descoperită și indexată.
Cât durează până apare o pagină nouă în rezultate?
De la câteva ore la câteva săptămâni, în funcție de cât de des este vizitat site-ul de roboți și de calitatea paginii. O hartă a site-ului și linkurile dinspre alte pagini grăbesc descoperirea.
Ce este fișierul robots.txt?
Este un fișier text de la rădăcina unui site, care spune roboților ce zone pot sau nu pot vizita. Este o indicație respectată de roboții serioși, nu un sistem de protecție.
De ce nu apare site-ul meu în Google?
Cauzele frecvente sunt lipsa linkurilor spre el, o interdicție în robots.txt, conținut foarte slab sau duplicat și faptul că pagina e prea nouă. Un instrument oficial al motorului arată dacă pagina a fost descoperită.
Pot motoarele de căutare să indexeze tot internetul?
Nu. Există pagini fără linkuri, conținut din spatele conturilor și site-uri care interzic indexarea. Zona accesibilă public și indexabilă reprezintă doar o parte din tot ce există online.
