4.3.1: Das Web als Dokumentensammlung
Der Begriff "Web" wird im Folgenden eher unscharf gebraucht.
Er bezeichnet zum einen das Netzwerk aus Rechnern, die Datensätze zur Verfügung stellen
(Servern) und anfordern
(Clients) (sowie
streng genommen auch die Vielzahl der Rechner, über die die Daten geleitet werden, um
vom Server zum Client zu gelangen).
Zum anderen bezeichnet er die Menge der (elektronischen) Dokumente oder Datensätze, die über
dieses Netz mit den gängigen Übertragungsprotokollen wie HTTP oder
FTP (File Transfer Protocol)
erreicht werden können. Dabei kommt es nicht darauf an, ob diese Datensätze
tatsächlich als Dateien auf dem Server
gespeichert oder erst bei der Anforderung generiert werden,
sondern darauf, ob sie bei den Empfängern als mehr oder weniger in
sich geschlossene Datensätze ankommen.
Die Einschränkung auf bestimmte Übertragungsprotokolle
ist dabei ein Versuch zu definieren, mit welchen Inhalten sich die
Web-Suche beschäftigen soll. Es wäre eigentlich sinnvoll, diese Menge oder auch verschiedene
solcher Suchräume inhaltlich zu definieren, weil dadurch die Suche verbessert werden könnte.
Eine solche inhaltliche Definition des Suchraums ist verschiedentlich mehr oder weniger präzise
versucht worden - wie bei der Definition der Document Like Objects durch die
Dublin-Core-Initiative
oder mit Definitionen aus dem Bereich digitale Bibliotheken
(siehe Abschnitt 4.3.6
).
Sie hat aber in der Regel keine praktische Auswirkung,
solange sie nicht technisch verifiziert werden kann oder allgemein anerkannt und eingesetzt wird.
Nur wenn alle Beteiligten erwarten können, dass alle oder zumindest sehr viele Dokumente, die
unter die Definition fallen, entsprechend gekennzeichnet sind und dass umgekehrt
alle Datensätze, die so gekennzeichnet sind, auch die Definition erfüllen, kann eine
solche Definition als Einschränkung eines Suchraums nützlich sein.
Da das aber nicht der Fall ist, bleibt als Suchraum im Wesentlichen das,
was über die entsprechenden Übertragungsprotokolle gefunden werden kann (auf Einschränkungen
dieser Menge wird später eingegangen).
Das führt dazu, dass das Web - wie bereits in der
Einführung (Kapitel 1.1
) beschrieben - nicht nur die größte, sondern
wohl auch die heterogenste "Sammlung" von Dokumenten und anderen Datensätzen ist. Die
Web-Suchmaschine Google [->]
gab im Frühjahr 2002 an, 2,3 Milliarden
Web-Seiten indexiert zu haben - die Gesamtzahl aller Web-Seiten dürfte also noch deutlich
höher liegen.
Die Heterogenität des Web kann in verschiedenen Dimensionen beobachtet werden.
Neben diesen noch halbwegs erkenn- und messbaren Dimensionen, in denen sich Web-Seiten stark
unterscheiden, sind es vor allem die Unterschiede in den Inhalten, den Voraussetzungen
und Zielen der Anbieter und den Zielgruppen, die das Web so unübersichtlich machen.
Nach dieser Beschreibung des Web als heterogener Dokumentensammlung und einiger Probleme,
die sich aus der Heterogenität ergeben, sollen im Folgenden verschiedene
Ansätze vorgestellt werden, wie die Suche nach Dokumenten mit einem bestimmten Inhalt im Web organisiert werden
kann.
|
| Dieser Abschnitt und seine Unterabschnitte |
| Inhalt |
Stichwörter in der Reihenfolge ihres Auftretens | Stichwörter alphabetisch sortiert |
|
Web, Server, Client, HTTP, FTP, File Transfer Protocol, Document Like Objects, Dublin Core, Dokumentformat, Medienart, MIME Type, Link, W3C, Granularität, SGML, expires, E-Commerce, Spamming, Rangfolge, Stichwort, paid placement |
Client, Document Like Objects, Dokumentformat, Dublin Core, E-Commerce, expires, File Transfer Protocol, FTP, Granularität, HTTP, Link, Medienart, MIME Type, paid placement, Rangfolge, Server, SGML, Spamming, Stichwort, W3C, Web |
|
4.3.1.1: Medienarten