Почему именно Google

Почему только Google

Google — краткая история, возможности и особенности

Поиск для нетерпеливых

Терминология и немного теории

Первоначальная настройка

Поиск для терпеливых

Тематический поиск

Программные средства Google

Лаборатории Google

Платные услуги

Популяризация сайта с помощью Google

Заключение

Сейчас все кодировочные таблицы национальных символов имеют сходную структуру. Они восьмибитовые; "младшая" поло­вина (десятичные коды с 0 до 127) совпадает со стандартом ASCII, а старшая регламентирует кодировку национальных символов. Благодаря этому цифры, знаки препинания и символы латиницы корректно обрабатываются на любом компьютере. Но этого, к со­жалению, нельзя сказать о символах кириллицы, В разных опера­ционных системах использовались разные таблицы, из-за чего текст, набранный в MS DOS (была когда-то такая операционная система), не читается в Windows и наоборот. В табл. 3.1 приведены названия операционных систем и типы используемых ими кодиро-вочных таблиц.

Операционная система Копировочная таблица

MS Windows 95—ХР Windows-1251

Sun Solaris, Linux, FreeBSD

и другие KOI8, ISO-8859-5 клоны UNIX

DOS. IBM OS/2 DOS CP866

MacOS Macintosh 10007

По мере роста Internet разнообразие кодировок стало серьез­ным препятствием (эта проблема касается не только славянских языков; есть ведь еще и арабская вязь, и иероглифы восточных народов), Поэтому в 1991 году была принята первая версия стан­дарта Unicode, или ISO/IEC 10646. Он стал результатом сотруд­ничества Международной организации по стандартизации (ISO) и ведущих производителей компьютеров и программного обеспе­чения. В этом стандарте используется 16 бит, что позволяет зако­дировать до 65 536 символов. Но он несовместим с большинством Internet-протоколов. Это вызвано тем, что часть битов двухбайто­во го пространства в протоколах Internet используется в качестве служебных, что не совпадает с их назначением в Unicode. Для со­вместимости с Internet-протоколами были разработаны специ­альные форматы преобразования Unicode (Unicode Transforma­tion Format — UTF); самым распространенным нз них стал фор­мат UTF-8. Этот формат регламентирует правила преобразования кода символа Unicode в набор байтов (числом от 1 до 3), которые можно передавать с помощью протоколов Internet. Именно из-за некорректного преобразования в формат UTF-8 и обратно иногда в сообщениях электронной почты встречаются одни лишь вопро­сительные знаки.

Существует еще формат UTF-I6, позволяющий кодироввть символы "мертвых" языков, не попавших в первоначальную таб­лицу кодировки. Однако для "живых" языков эти форматы ис­пользуют одни и те же коды.

Понятно, что поисковая машина должна уметь распознавать кодировку, используемую на сайте, который она индексирует, и тем более кодировку запроса, сделанного пользователем. Далеко не все зарубежные поисковые системы умеют это делать, так что с ними лучше общаться на английском языке. Русскоязычные по­исковики, напротив, хорошо справляются с этой задачей. Однако, открыв найденную поисковиком страницу, вы можете обнару­жить на ней хоть и не состоящий из одних вопросительных зна­ков, но все же "нечитабельный" текст. Чтобы преобразовать его, нужно в меню Вид программы Internet Explorer выбрать пункт Кодировка, а затем щелкнуть на названии альтернативной коди­ровки в контекстном меню. Если по умолчанию использовалась колировка, названная в меню Кириллица (Windows) (на самом деле— Windows-1251), то нужно выбрать кодировку Кириллица (KOI8-R), и наоборот. На подавляющем большинстве сайтов ис­пользуется одна из названных кодировок (на украиноязычных может быть еше кодировка K018-U). Если текст все равно не чи­тается, следует перевести указатель мыши на пункт меню Дополнительно и проверить варианты с кириллицей DOS и ISO. В особо "тяжелых" случаях, когда кажется, что именно на данном сайте находится самая нужная вам информация, а страница не Ч1ггается, можно прибегнуть к услугам программы-перекодиров-шика. Среди бесплатных программ такого рода отметим TCode (http://alexboiko.narod.ru/index_r.html).

Резюме

Поисковая машина (поисковик) представляет собой комплект программ, в основе которого лежат поисковый робот, индексатор, база данных и система выдачи результатов поиска. Поисковый робот в периоды наименьшей загрузки обходит сайты и загружает найденные Web-страницы в поисковую машину. Здесь они ин­дексируются (т.е. поисковик проводит их предварительный ана­лиз) и заносятся в базу данных. После поступления запроса от пользователя система выдачи результатов поиска отыскивает в ба­зе данных документы и Web-страницы, в наибольшей степени от­вечающие запросу пользователя, и результаты поиска пересыла­ются на его компьютер.

Почти каждая ИПС использует свой алгоритм поиска. При этом учитываются статистические закономерности. Так, наиболее часто встречающиеся слова (их называют стоп-слова), не несущие смысловой нагрузки (предлоги, частицы, артикли и т.п.), при по­иске игнорируются, даже если они были введены пользователем в числе ключевых слов. Могут не учитываться также редко встре­чающиеся слова, но это не относится к именам, фамилиям, латам и другим элементам документов, несущим большую смысловую нагрузку. Кроме того, учитывается количество ссылок, сделанных на данную Web-страницу с других страниц. Чем оно больше, тем ценнее данная страница для пользователя.

Качество поиска характеризуют такими параметрами, как полнота и точность поиска. Чем полнее поиск, тем меньше реле­вантных документов остается не включенными в результаты по­иска, предоставляемые пользователю. Точность поиска тем выше, чем меньше в результатах поиска нерелевантных (не имеющих отношения к сделанному пользователю запросу) документов.

С помощью логических (булевых) операторов можно очень точно указать поисковой машине, что именно интересует пользо­вателя. Поиск такого рода, в отличие от простого, называют сложным. Поскольку не все пользователи умеют применять логи­ческие операторы, многие ИПС предлагают им проводить расши­ренный поиск, при котором пользователь заполняет предлагае­мую форму, а ИПС на ее основе сама формирует запрос для про­ведения булева поиска.

Символы кириллицы могут кодироваться по-разному. В на­стоящее время наибольшее распространение получили кодировки KOI8-R и Windows-1251, однако иногда используются кодировки ISO-8859-5, UTF-8 и др. Обычно браузер определяет кодировку Web-страницы автоматически, в противном случае ее можно по­добрать вручную. Поисковая машина также должна уметь опреде­лять кодировку, использованную на странице, которую она ин­дексирует, иначе она потом не сможет найти в своей базе данных документы, релевантные запросу пользователя, даже если они там будут. Все русскоязычные ИПС и Google хорошо решают пробле­му кодировок, о других зарубежных ИПС этого сказать нельзя. Поэтому при их использовании для поиска русскоязычных доку­ментов пользователь может увидеть в описаниях найденных стра­ниц множество вопросительных знаков.