Desarrollan un software para reparar enlaces rotos en la web

Cualquier usuario de Internet habrá sentido en algún momento la frustración que supone seguir un enlace a un sitio web interesante para descubrir finalmente que la página de destino ya no está ahí, obteniendo por contra la temida página de error. Además de crear mala imagen, estos sitios son penalizados por los buscadores a la hora de valorar una página web.

Sin embargo, más frustrante y con mayores consecuencias para la ciencia, la salud, la industria y otras áreas resulta cuando las máquinas se comunican en busca de recursos específicos que o bien se han perdido o desplazado de su identificador. Esto puede causar problemas cuando un equipo está procesando grandes cantidades de datos, por ejemplo en un análisis financiero o científico.

Si el recurso está todavía en los servidores, sería recuperable mediante un algoritmo lo suficientemente eficaz como para poder recrear los enlaces perdidos. Es lo que han conseguido los ingenieros informáticos Mohammad Pourzaferani y Mohammad Ali Nematbakhsh de la Universidad de Isfahan en Irán, a través de un software capaz de recuperar el 90 por ciento de los enlaces rotos.

Los detalles de la investigación se presentan este mes en la revista International Journal of Web Engineering and Technology (IJWET), especializada en ingeniería y tecnología web.

Gráfico de datos

Según explican los investigadores en un artículo publicado en la web Phys.org, la mayoría de los esfuerzos para resolver el problema se ha centrado hasta ahora en el intento de arreglar los enlaces rotos en el punto de destino.

Este enfoque tiene dos limitaciones inherentes. En primer lugar, se dirige a un único punto de fallo, mientras se pueden encontrar más resultados a través de una base de datos. En segundo lugar, se basa en el conocimiento de la fuente de datos de destino, cosa que no siempre ocurre.

Por contra, el equipo iraní ha introducido un método para arreglar enlaces rotos que se basa en el punto de origen de los vínculos, aportando un sistema para descubrir la nueva dirección de la entidad digital que se ha desvinculado. Para ello crean una base de datos superior e inferior que les permite diseñar un exclusivo gráfico de datos controlable a lo largo del tiempo, de forma que se puedan identificar los cambios y atrapar tanto enlaces perdidos como recursos desvinculados.

Esta investigación se basa en el principio de que las entidades -ya sean personas, organizaciones, lugares, etc-, mantienen su estructura a pesar de moverse a otra dirección. Por lo tanto, «el algoritmo crea una estructura gráfica de cada entidad», señala Pourzaferani. Este gráfico está compuesto por dos tipos de entidades que los ingenieros han denominado «superior» e «inferior».

Cuando se detecta un enlace roto, el algoritmo comienza su tarea para encontrar la nueva ubicación para la entidad desvinculada o aquella similar que mejor encaje con el perfil. Para ello se acciona el módulo rastreador, que busca los superiores de cada entidad en la base de datos inferior y viceversa. Poco a poco se va estrechando el espacio de búsqueda hasta elegir el mejor candidato.

Eficacia probada

Los investigadores probaron el algoritmo con dos imágenes de DBpedia que contenían casi 300.000 entidades personales, de las cuales se identificaron casi 5.000. La herramienta demostró además su destreza en la reubicación de nueve de cada diez de los enlaces rotos.

Hasta tanto no estén disponibles en el mercado herramientas como ésta, los creadores web deben estar atentos para evitar en sus sitios enlaces rotos o perdidos. Para ello existen recursos como el que propone el Consorcio World Wide Web (W3C), una comunidad internacional donde las organizaciones miembro y el público en general trabajan conjuntamente para desarrollar estándares Web.

Liderado por Tim Berners-Lee, creador original de las tecnologías sobre las que se basa la web, como son URL, HTTP y HTML, la misión del W3C es guiar la web hacia su máximo potencial. Entre otras, cuenta con una herramienta útil para localizar enlaces rotos de una web. No sólo se limita a identificarlos, sino que valora la calidad de los textos ancla y analiza las redirecciones, entre otras opciones, por lo que resulta un recurso muy valioso.