Digimind Wp Web Invisible Pour La Veille.fr.2008 Extraits

w

h

i

t

e

p a

p

e

r

Découvrir et exploiter le web invisible pour la veille stratégique

Accédez à des milliers de ressources cachées de haute qualité

www.digimind.fr

boston

-

london

-

pa r i s

-

grenoble

-

r a b at

Avertissement Ce document a été réalisé par la société Digimind. Le contenu de ce document est protégé par le droit d’auteur. Son contenu est la propriété de Digimind et de ses auteurs respectifs. Il peut être reproduit en partie sous forme d’extraits à la condition expresse de citer Digimind comme auteur et d’indiquer l’adresse http://www.digimind.com. Pour toute information complémentaire, vous pouvez contacter Digimind par mail à l’adresse [email protected] ou par téléphone au 01 53 34 08 08. Digimind, mai 2008.

www.digimind.fr

boston

-

london

-

pa r i s

-

grenoble

-

r a b at

Sommaire LE WEB INVISIBLE : CONCEPTS ET DEFINITION........................................................05 L’internet n’est pas le web........................................................................................................................05 Le Web Visible....................................................................................................................................................05 Le Web Invisible : Définition et structure.....................................................................................05 Un Web Invisible, Caché ou Profond ?..........................................................................................09 CARACTERISTIQUES DU WEB INVISIBLE : TAILLE ET QUALITE................10 La taille du web visible et invisible : estimations...................................................................10 Contenu et qualité du web invisible.............................................................................................12 COMMENT IDENTIFIER DES SITES DU WEB INVISIBLE.....................................15 Identifier des sources via les répertoires et annuaires spécialisés..........................15 Rechercher des ressources spécialisées via votre requête...........................................23 Exemple de ressources du Web Invisible....................................................................................24 DIGIMIND ET LA VEILLE SUR LE WEB INVISIBLE......................................................26 Les spécificités d’une veille automatisée sur le Web Invisible...................................26 Comparatif des principaux outils de recherche / surveillance du web invisible...................................................................................................................................................................30 Les avantages de l’approche de Digimind pour la surveillance du Web Invisible...................................................................................................................................................................30 A PROPOS DES AUTEURS.................................................................................................................32 Digimind Consulting...................................................................................................................................32 Christophe ASSELIN......................................................................................................................................32 NOTES…..............................................................................................................................................................33

© Digimind - Tous droits réservés

Digimind WhitePaper - « Découvrir et exploiter le web invisible pour la veille stratégique » | page 

[extraits] Téléchargez l’intégralité de ce document et l’ensemble des publications de Digimind : http://www.digimind.fr/actus/actu/publications

www.digimind.fr

boston

-

london

-

pa r i s

-

grenoble

-

r a b at

Pour rechercher des informations et effectuer votre veille sur le web, l’utilisation des seuls moteurs et annuaires généralistes vous privera de l’identification de centaines de milliers de sources…. Pourquoi ? Parce que des moteurs comme Google, MSN ou Yahoo! Search1 ou des répertoires tels que Yahoo! Directory2 ne vous donnent accès qu’à une petite partie (inférieure à 10%) du web, le Web Visible. La technologie de ces moteurs conventionnels ne permet pas d’accéder à une zone immense du web, le Web Invisible, espace beaucoup plus important que le web visible. Lors d’une navigation en Antarctique pour prélever des échantillons de glace sur des icebergs, si vous vous limitez à leur partie émergée, vous vous privez de la surface immergée, en moyenne 50 fois plus importante. Sur le web, c’est la même chose ! Se contenter du web visible pour votre veille revient à ne pas explorer une zone invisible environ 500 fois plus volumineuse, comportant des centaines de milliers de ressources de grande valeur. Les ressources du Web Invisible sont en effet en moyenne de plus grande qualité, plus pertinentes que celles du web de surface. Pourquoi ? Parce qu’elles sont élaborées ou validées par des experts, faisant autorité dans leurs domaines. Ce document vous présente le concept de Web Invisible ainsi que ses caractéristiques. Par ailleurs, il vous explique comment trouver des sites appartenant à ce web “profond”. Enfin, il vous montre pourquoi l’approche choisie par Digimind, à travers ses nouvelles technologies et son service conseil, vous permet de mettre en œuvre un véritable processus de veille industrielle sur les ressources du Web Invisible.

www.digimind.fr

boston

-

london

-

pa r i s

-

grenoble

-

r a b at

Le Web Invisible : concepts et définition Pourquoi un web invisible ? Pour comprendre le web invisible, Il convient d’abord de rappeler ce que sont le web et sa zone visible.

LE WEB VISIBLE Pour appréhender la notion de Web Visible, il est nécessaire de comprendre le fonctionnement d’un moteur de recherche.

L’INTERNET N’EST PAS LE WEB

Un moteur de recherche “aspire” puis indexe des pages web. Pour ce faire, ses robots (ou spider) vont parcourir les pages web en naviguant

Il existe souvent une confusion et un amalgame sémantique entre le

de liens en liens, et passer ainsi d’une page à une autre. Ce robot va

web et l’internet. Ce sont pourtant 2 concepts différents. L’internet, ou

archiver sur les serveurs du moteur une version de chaque page web

Net, est un réseau informatique mondial constitué d’un ensemble de

rencontrée.

réseaux nationaux, régionaux et privés, interconnectés entre eux (INTER-

Ainsi, Google dispose de plus de 10 000 serveurs répartis sur plusieurs

connected NETworks). Il relie des ressources de télécommunication et

états (Californie, Irlande, Suisse…) et installés dans des salles dédiées.

des ordinateurs serveurs et clients.

Ces serveurs connectés entre eux hébergent notamment les milliards

Sur ce réseau, vous pouvez accéder à un certain nombre de services via

de pages web aspirées.

des protocoles de communication spécifiques :

Cette version archivée des pages au moment du passage du robot est

- le World Wide Web (protocole http://www)

d’ailleurs disponible via la fonction “Cache” disponible sur certains mo-

- le Mail (smtp)

teurs comme Google, Yahoo!, Clusty ou Gigablast (copies d’écran ci-des-

- Usenet (Newsgroups ou groupes de discussion). Exemple : sci.med.

sous).

oncology

Lors d’une recherche sur un moteur, l’internaute lance une requête sur

- le P2P (via des logiciels clients).

les bases de données de ces serveurs.

et également le FTP, Gopher, …

Les fonctions “Cache” du moteur Yahoo!

LE WEB INVISIBLE : DEFINITION ET STRUCTURE Le Web Invisible est constitué des documents web mal ou non indexés par les moteurs de recherche généralistes conventionnels.

© Digimind - Tous droits réservés

Digimind WhitePaper - « Découvrir et exploiter le web invisible pour la veille stratégique » | page 

En effet, le fonctionnement des moteurs pour “aspirer” le web implique

pas la totalité de ce contenu (son indexation varie entre 5 et 60 % selon

que, d’une part, les pages soient bien liées entre elles via les liens

les moteurs). C’est aussi le cas de plusieurs milliers de bases de données

hypertexte (http://) qu’elles contiennent et que, d’autre part, elles

professionnelles en ligne comme PubMed, certaines n’étant pas

soient identifiables par les robots du moteur. Or dans certains cas, ce parcours de liens en liens et cette identification de pages est difficile, voire impossible. Une partie du web est en effet peu ou non accessible aux moteurs de recherche pour plusieurs raisons : 1- Les documents ou bases de données sont trop volumineux pour être entièrement indexés. Prenons l’exemple de l’IMDB . L’Internet Movie 3

Database, une base de donnée

en libre accès

indexées du tout. D’autre part, les moteurs n’indexent

“Le web invisible

pas la totalité du contenu d’une page lorsque celle-ci

est constitué des documents web mal ou non indexés par les moteurs de recherche conventionnels”

est très volumineuse : Google et Yahoo! archivent les pages dans une limite de 500k et 505k. 2- les pages sont protégées par l’auteur (balise meta qui stoppe le robot des moteurs) Certains sites sont protégés par leur créateur ou gestionnaire (webmaster), qui, grâce à un fichier robot.txt inséré dans le code des pages, interdit leur

consacrée au cinéma répertorie plus de 7 millions de pages descriptives

accès aux robots des moteurs. L’utilisation de ce fichier robot.txt est

consacrées aux films et acteurs, représentant chacune une page web.

effectuée pour protéger le copyright des pages, limiter leur visite à un

Soit plus de 7 millions de pages. Les moteurs conventionnels n’indexent

groupe restreint d’internautes (auquel on fournira l’adresse, inconnue des moteurs) ou préserver certains sites d’un accès trop fréquent ralentissant les serveurs. Ainsi, le site du journal Le Monde interdit aux robots des moteurs de recherche l’accès à ses pages payantes. De cette manière, il évite que les moteurs archivent des pages payantes et les mettent à disposition gratuitement via leur fonction “Cache”. 3- les pages sont générées seulement dynamiquement, lors d’une requête par exemple De nombreux sites web génèrent des pages dynamiquement, c’est-àdire uniquement en réponse à une requête sur leur moteur interne. Il n’existe pas alors d’URL4 (adresse) statique des pages que les moteurs pourraient parcourir puisque les robots des moteurs n’ont pas la faculté de taper des requêtes. Ainsi, lorsque vous faites une recherche sur des bases de données ou moteurs, certaines pages générées en réponse à votre question sont structurées avec des ? et &, de cette manière par exemple : query.fcgi?CMD=search&. Ce type de page n’est généralement pas ou mal indexée par les moteurs. Exemple :

La célèbre base PubMed de la National Library of Medecine donnant notamment accès à plus de 15 millions d’articles.

www.digimind.fr

http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?CMD=search&DB=Genome

boston

-

london

-

pa r i s

-

grenoble

-

r a b at

4- les pages sont protégées avec une authentification par identifiant

être indexé en 2002 par le moteur AlltheWeb5

(login) et mot de passe.

Aujourd’hui, la plupart des grands moteurs à large index (Google,

De nombreux sites, qu’ils soient payants ou gratuits, protègent tout ou

Yahoo!, MSN, Exalead, Gigablast6) mémorisent et indexent ces formats

partie de leur contenu par mot de passe. Les robots de moteurs n’ayant

de documents. Toutefois, comme nous l’avons vu, l’archivage d’une

pas la faculté de taper des mots dans des formulaires complexes, ces

page web est limité à 500 ou 505 k sur Google et Yahoo! Search. Les

pages ne leur sont pas accessibles.

documents dépassant ce seuil seront donc partiellement indexés. On le voit, la structure du web dit “invisible” peut donc évoluer dans le temps en fonction des avancées technologiques des moteurs de recherche. D’”invisibles” avant 2001, certains formats sont devenus “visibles” ensuite.

Les pages web peu accessibles ou inaccessibles aux moteurs de recherche conventionnels

6- Les pages sont mal liées entre elles ou sont orphelines (aucun lien L’authentification pour l’accès au site d’une fédération professionnelle.

présent sur d’autres pages ne pointent vers elles). Plutôt qu’une toile, le web est en fait un immense papillon.

5 - Les formats des documents

Pourquoi ?

Il y a encore quelques années, on incluait dans le Web Invisible toutes

Nous avons vu que le fonctionnement des robots des moteurs de

les pages aux formats autres que le html, seul format reconnu et indexé

recherche impliquait que toutes les pages soient liées entre elles pour

par les moteurs.

qu’elles soient visibles. Or, ce n’est pas le cas.

En effet, jusqu’en 2001, les moteurs n’indexaient pas les formats PDF

Jusqu’en 2000, on avait coutume de représenter le web à la manière

(Adobe) et Microsoft Office (Excel, Word, Power Point…). Depuis l’été

d’une toile d’araignée, supposant ainsi que les pages web sont toutes

2001, Google indexe le PDF et, depuis octobre 2001, il indexe les fichiers

bien liées entre elles, selon la même densité de liens entrant et sortant,

Word (.doc), Excel (.xls), Powerpoint (.ppt), Rich Text Format (.RTF),

constituant ainsi un ensemble homogène de ramifications. Ainsi, en

PostScript (.ps) et d’autres encore. Le format Flash, lui, a commencé à

partant de certaines URLs bien définies, les robots devaient forcément

© Digimind - Tous droits réservés

Digimind WhitePaper - « Découvrir et exploiter le web invisible pour la veille stratégique » | page 

parvenir à parcourir le web en quasi-totalité.

ces pages sont accessibles et liées à partir du noyau mais en retour, elles

Or, en juin 2000, des chercheurs de IBM (Almaden Research Center,

n’ont pas de liens qui pointent vers le cœur. C’est le cas, par exemple, de

Californie), Compaq et Altavista ont proposé une toute autre

sites “Corporate” de sociétés qui ne comportent que des liens internes et

représentation du web, plus proche de la réalité…

ne proposent pas de liens sortant vers d’autres sites.

Dans leur étude “Graph structure in the web” , les 8 chercheurs analysent 7

200 millions de pages et 1,5 millions de liens collectés par le robot

4. Les “Tendrils” : (21,4%) :

d’Altavista en 3 étapes, de mai à octobre 1999.

Ce

L’analyse de ces pages révèle que le web se structurerait en 4 parties :

emprunté à la botanique,

terme

“Le web, plutôt

métaphorique,

qu’une toile d’araignée, est structurée comme un immense papillon”

désigne des filaments. Ceuxci représentent des pages qui ne sont pas liées au cœur SCC, et sans liens qui pointent vers elles à partir

du cœur. Ces filaments ne sont connectés qu’aux zones IN et OUT via des liens sortants de la zone IN et des liens entrants dans la zone OUT. L’étude révèle par ailleurs que si l’on choisit une page au hasard au sein des zones IN et OUT, la probabilité qu’un chemin direct existe de la source (IN) à la destination (OUT) est de seulement 24% (représenté ici par le “tube”). - Enfin, 8,3% des pages constituent des îlots, totalement déconnectés du reste du web. Ces pages sont donc orphelines, sans liens pointant Connectivity of the web. © Etude “Graph structure in the web”

vers elles et sans liens sortant, qui auraient permis aux sites destinataires de les trouver. Pour identifier ces pages, il n’existe donc pas d’autres

1. La partie centrale, le Cœur : SCC (Giant Strongly Connected Component),

solutions que de connaître leurs adresses fournies par leurs créateurs.

soit 27,5 % des pages web analysées. Toutes les pages web sont bien connectées entre elles via des liens directs.

Comment est-il possible que des pages soient mal liées ou non liées ? Ces pages de sites web peuvent être mal référencées ou non référencées

2 et 3. Les zones IN et OUT : La partie IN (21,4%) comprend les pages

involontairement dans les index de moteurs :

“source” : ces pages comportent des liens qui pointent vers le cœur

- Par exemple si ses auteurs ne se sont pas préoccupés d’optimiser ces

(SCC) mais l’inverse n’est pas vrai : aucun lien présent dans le cœur ne

pages (choix adéquat des mots clés, des titres) afin qu’elles soient visibles

pointent sur ces pages. Cela peut concerner de nouvelles pages pas

parmi les premiers résultats des moteurs. C’est ensuite un cercle vicieux

encore découvertes et donc non “liées” par des liens pointant vers elles.

: les algorithmes de moteurs comme Google privilégient la popularité

La partie OUT (21,4%) comprend au contraire des pages de “destination” :

des sites pour un bon classement dans les pages de résultats (plus le

www.digimind.fr

boston

-

london

-

pa r i s

-

grenoble

-

r a b at

nombre de liens pointant vers une page est important, plus cette page

nes qui s’identifient. Le robot ne peut donc pas y accéder.

aura une chance d’être bien classée au sein des résultats). Une page web

- The Truly Invisible Web : contenu qui ne peut être indexé pour des rai-

mal classée dès le départ sera moins visible, donc moins découverte par

sons techniques. Ex: format inconnu par le moteur, pages générées dy-

les internautes et bénéficiera de moins de liens. Ces pages, au mieux,

namiquement.

stagneront ou descendront dans les profondeurs des pages de résultats des moteurs.

Le terme de Web Invisible a été employé pour la première fois en

- Une page placée sur le web sans liens pointant vers elle demeurera

1994 par le DR Jill Ellsworth pour évoquer une information dont le

invisible des moteurs de recherche. Cela est le cas pour des milliers de

contenu était invisible des moteurs de recherche conventionnels.

documents dont les auteurs ne connaissent pas ou se soucient peu des principes de visibilité de leurs pages (documents de recherche, documents techniques..). Par ailleurs, on voit sur cette représentation du web en papillon que certaines pages demeurent tout à fait invisibles et d’autres seulement moins visibles …Il existe donc des niveaux de visibilité. Aussi le terme “invisible” au sens strict n’est pas forcément le

“le Web n’est pas

réellement invisible mais difficilement accessible. Il faut plutôt parler de web profond ”

Mais dans son étude “The Deep Web: Surfacing Hidden Value “ , Michael K. Bergman estime, avec raison, que le terme de Web Invisible est inapproprié. En effet, la seule chose d’invisible l’est aux “yeux” des robots des moteurs. Des technologies comme Digimind Evolution permettent d’accéder et de surveiller ce web invisible. Aussi, plutôt que le web visible et invisible, l’étude de BrightPlanet préfère évoquer un “Surface Web” et un “Deep web” (web profond). En effet, le problème n’est

plus approprié…

UN WEB INVISIBLE, CACHE OU PROFOND ?

pas tant la visibilité que l’accessibilité par les moteurs. Il existe donc un web de surface que les moteurs parviennent à indexer et un web profond, que leurs technologies ne parviennent pas encore à explorer, mais

Plutôt que de parler d’un Web Invisible, certains spécialistes ont tenté de

qui est visible à partir d’autres technologies perfectionnées.

préciser le concept et de l’illustrer différemment.

On pourrait donc comparer le web à un gigantesque iceberg (en per-

Ainsi, Chris Sherman et Gary Price proposent dans leur ouvrage “The

pétuelle expansion) présentant un volume de ressources immergées

Invisible Web” de distinguer 4 types de web invisible :

beaucoup plus important que les ressources de surface. Comme le

- The Opaque Web : les pages qui pourraient être indexées par les mo-

web, cet iceberg verrait son volume total augmenter constamment, et

teurs mais qui ne le sont pas (à cause de la limitation d’indexation du

la structure de ses parties immergées et émergées se modifier avec le

nombre de pages d’un site, de leur fréquence d’indexation trop rare, de

temps (en fonction de l’évolution des technologies des moteurs).

liens absents vers des pages ne permettant donc pas un crawling de

Mais quelle peut être la taille et la composition de ces 2 parties de l’ice-

liens en liens)

berg ?

8

- The Private Web : concerne les pages web disponibles mais volontairement exclues par les webmasters (mot de passe, metatags ou fichiers

Si en moyenne, le volume de la partie immergée d’un iceberg est 50 fois

dans la page pour que le robot du moteur ne l’indexe pas).

plus important que celui de sa partie émergée, les proportions du web

- The Proprietary web : les pages seulement accessibles pour les person-

visible et invisible sont très différentes…

© Digimind - Tous droits réservés

Digimind WhitePaper - « Découvrir et exploiter le web invisible pour la veille stratégique » | page 

© Digimind - Tous droits réservés

Digimind WhitePaper - « Découvrir et exploiter le web invisible pour la veille stratégique » | page 25

Dans la même collection White Papers • «Le Web 2.0 pour la veille et la recherche d’information : Exploitez les ressources du Web Social» Christophe Asselin, Expert Veille Internet, Digimind • «Blogs et RSS, des outils pour la veille stratégique» Christophe Asselin, Expert Veille Internet, Digimind • «Réputation Internet : Ecoutez at analysez le buzz digital» Christophe Asselin, Expert Veille Internet, Digimind • «Evaluer le Retour sur Investissement d’un logiciel de veille» Edouard Fillias, Consultant Veille Stratégique, Digimind • «Catégorisation automatique de textes» • «Benchmark des solutions de veille stratégique»

Red Books • Biotechnologie • Nanotechnologie • Nutrition • RFID • Risk management • Contrefaçon • Moyens de paiement A télécharger sur http://www.digimind.fr/actus/publications

© Digimind - Tous droits réservés

Digimind WhitePaper - « Découvrir et exploiter le web invisible pour la veille stratégique » | page 33

www.digimind.com

Téléchargez l’intégralité de ce document et l’ensemble des publications de Digimind : http://www.digimind.fr/actus/actu/publications

www.digimind.fr

boston

-

london

-

pa r i s

-

grenoble

-

r a b at