Web superficial y Web profunda

1. Web superficial

La Web superficial o visible comprende todos aquellos contenidos que pueden ser indexados por los robots de los diferentes buscadores convencionales, pudiendo ser recuperados fácilmente mediante una consulta en sus formularios de búsqueda.

Las características principales de la Web superficial son:

• su información no está contenida en bases de datos
• es de libre acceso 
• no se requiere registro
• mayoritariamente formada por páginas estáticas (con una URL fija y accesibles desde otro enlace).

2. Web Profunda

La Web profunda o invisible es el término utilizado para describir toda la información disponible en Internet que no se recupera interrogando a los buscadores convencionales. La información suele estar en bases de datos como pueden ser catálogos, revistas digitales, blogs ...

 Sherman y Price identifican cuatro tipos de contenidos invisibles:

• la Web opaca (the opaque Web),
• la Web privada (the private Web),
• la Web propietaria (the proprietary Web)
• y la Web realmente invisible (the truly invisible Web).

2.1. La Web opaca está compuesta por archivos que, si bien podrían estar incluidos en los índices de los buscadores, no lo están por alguno de los siguientes motivos:

• Extensión de la indización: a veces, por economía, no todas las páginas de un sitio son indizadas en los buscadores.
• Frecuencia de la indización: los buscadores no poseen la capacidad de indizar todas las páginas existentes; a diario se agregan y modifican muchas y la indización no se realiza al ritmo que permita incluirlas a todas. 
• Número máximo de resultados visibles: generalmente limitan el número de documentos que se muestran (entre 200 y 1000).
• URL desconectadas: las generaciones más recientes de buscadores, presentan los documentos por relevancia basada en el número de veces que aparecen referenciados en otros. 

2.2. La Web privada consiste en las páginas Web que podrían estar indizadas en los buscadores pero son excluidas deliberadamente por alguno de estos motivos:

• Las páginas están protegidas por contraseñas.
• Contienen un archivo “robots.txt” para evitar ser indizadas.
• Contienen un campo “noindex” para evitar que el buscador pueda indizar la parte correspondiente al cuerpo de la página. 

2.3. La Web propietaria incluye aquellas páginas en las que es necesario registrarse para tener acceso al contenido, ya sea de forma gratuita o pagando.

2.4. La Web realmente invisible se compone de páginas que no pueden ser indizadas por limitaciones técnicas de los buscadores, páginas generadas dinámicamente, es decir, que se generan a partir de datos que introduce el usuario, información almacenada en bases de datos relacionales, que no puede ser extraída a menos que se realice una petición específica.

2.5. Algunos de los recursos de búsqueda en la Web Profunda:

The WWW Virtual Library se considera el catálogo más antiguo en la web y fue iniciado por Tim Berners-Lee, el creador de la web.

Infoplease es una Web de consulta con más de 57.000 artículos de la prestigiosa enciclopedia Columbia. Facilita la consulta de información con opciones de búsqueda por términos o por áreas de conocimiento. Es posible acceder a un buen número de enciclopedias, atlas, y biografías. Y también tiene algunas ramificaciones interesantes como Factmonster.com para los niños y Biosearch, un motor de búsqueda sólo para biografías, o información de todo lo acontecido históricamente en un determinado día. 

DeepWebTech ofrece cinco motores de búsqueda para temas específicos. Los motores de búsqueda abarcan la ciencia, medicina y negocios. El uso de estos motores de búsqueda específicos del tema, puede consultar las bases de datos subyacentes en la Web profunda.

TechXtra centra su información, en ingeniería, matemáticas e informática. Es posible navegar a través de una extensa lista de revistas gratuitas especializadas de ingeniería, documentos técnicos, descargas y podcasts.

Fuente: Tutoriales Miriadax "Encontrando tesoros en la red (IV)"