U stránek s „geotagem“ se bude ve výsledcích vyhledávání nyní zobrazovat odkaz pro zobrazení místa na mapě.
Pomocí tzv. mikroformátů (viz microformats.org) lze na stránkách přisoudit některým textům sémantickou hodnotu tak, aby byly strojově rozpoznatelné a měly definovaný význam. Mikroformátů je celá řada, každý slouží pro jiný druh údaje. Asi nejpoužívanějším je tzv. hCard, který se používá jako „vizitka“ pro osoby. Programy, které ho dokáží interpretovat pak například nabízejí přidání kontaktu přímo z web stránky do vašeho adresáře, telefonu, apod.
Určitý článek o mikroformátech vyšel už před časem na Lupě.
Náš robot nyní hledá ve stránkách geo-mikroformát. Pomocí něho lze specifikovat polohu v souřadném systému WGS84 (alias normální GPS pozice). Tímto lze svázat libovolnou stránku s místem na mapě.
Při zobrazování výsledků je pak u stránek s geotagem přidaný odkaz „Zobrazit na mapě“. Výsledek s geotagem vypadá např. takto:
http://search.seznam.cz/?q=botanicka+zahrada+site%3Adna.cdi.cz
Pokud je geotagů ve stránce rozpoznáno více, tak se u výsledku zobrazí pouze první z nich. Bohužel u výsledku nelze přehledně zobrazit neomezeně odkazů na mapu; pokud by někoho napadlo jak na to, dejte určitě vědět :-)
Mikroformáty specifikují několik možností, jak může geotag vypadat. Mikroformáty se používají tak, že se ve stránce u HTML značek okolo relevantního textu nastaví atributy class=“…“ na předem známou hodnotu, která je právě určená standardem mikroformátů. Pokud mikroformáty neurčují jinak (např. <ABBR>), tak značka může být asi téměř libovolná. Zde jsou ve zkratce 3 možnosti:
<cokoliv class="geo"> <cokoliv class="latitude">37.408183</cokoliv>, <cokoliv class="longitude">-122.13855</cokoliv> </cokoliv>
<cokoliv class="geo"> <abbr class="latitude" title="37.408183">N 37° 24.491</abbr> <abbr class="longitude" title="-122.13855">W 122° 08.313</abbr> </cokoliv>
Pořadí čísel v title= je „latitude;longitude“.
<abbr class="geo" title="37.408183;-122.13855"> Popis lokace </abbr>
Čísla bohužel musí být vždy uvedena v desetinách stupňů; jinou variantu mikroformáty nepřipouštějí :-/ Pro převod ze stupňů, minut, vteřin na číslo v desetinách stupňů lze použít tento vzorec:
číslo_v_desetinách_stupně = stupně + minuty/60 + vteřiny/3600
Výběr stránek, které SeznamBot crawluje a indexuje, má podobu skórování všech stránek, které SeznamBot zná a jejich následného řazení podle hodnot skóre. V uplynulých týdnech jsme provedli úpravy tohoto skórování, které se projeví následujícími změnami při výběru dokumentů ke crawlování a indexaci. Lepší predikce kvality stránky podle URL – URL stránky je pro robota jeden ze …
V posledních letech se množí technologie pro zpracování velkých dat, které přináší zajímavé možnosti využití. Ke zpracování velké dávky dat (batch) se přidaly i možnosti zpracování v reálném čase, kdy data vznikají (stream). Robot vyhledávače zpracovává miliardy uložených webových stránek a zároveň denně stahuje obsah stovek milionů URL z internetu. Vždy hledáme ty nejvhodnější technologie …
Po vylepšeních v rychlosti Freshbota jsme se podívali i na rychlost v tzv. „velkém robotovi“. Ten na rozdíl od Freshbota prochází násobně větší objemy stránek. Robot nyní reaguje dříve na obsah stránky a nová stránka se dostane do indexu dvakrát rychleji. Doposud stránka procházela složitějším zpracováním. Kvůli závislostem trvalo i několik dní od stažení URL než z …
