Un
robot d'
indexation (ou
araignée ; en anglais
web crawler ou
web spider) est un
logiciel qui explore automatiquement le
Web. Il est généralement conçu pour collecter les ressources (pages
web, images, vidéos, documents Word, PDF ou PostScript, etc.), afin de permettre à un
moteur de
recherche de les indexer.
Fonctionnant sur le même principe, certains robots sont utilisés pour archiver les ressources ou collecter des adresses électroniques auxquelles envoyer des pourriels.
Pour indexer de nouvelles ressources, un
robot procède en suivant récursivement les hyperliens trouvés à partir d'une page pivot. Par la suite, il est avantageux de mémoriser l'
URL de chaque ressource récupérée et d'adapter la fréquence des visites à la fréquence observée de mise à jour de la ressource. Toutefois, de nombreuses ressources échappent à cette exploration récursive, car seuls des hyperliens créés à la demande, donc introuvables par un
robot, permettent d'y accéder. Cet ensemble de ressources inexploré est parfois appelé
web profond.
Un
fichier d'exclusion (robots.txt) placé dans la racine d'un
site web permet de donner aux robots une liste de ressources à ignorer. Cette convention permet de réduire la charge du
serveur web et d'éviter des ressources sans intérêt. Par contre, certains robots ne se préoccupent pas de ce
fichier.
Deux caractéristiques du
Web compliquent le travail du
robot d'
indexation : le grand volume de données et la
bande passante. Un très grand nombre de pages sont ajoutées, modifiées et supprimées chaque jour. Si la capacité de stockage d'information, comme la vitesse des processeurs, a augmenté rapidement, la
bande passante n'a pas bénéficié de la même progression. Le problème est donc de traiter un volume toujours croissant d'information avec un débit limité. Le
robot a donc besoin de donner des priorités à ses téléchargements.
Le comportement d'un
robot d'
indexation résulte de la combinaison des principes suivants :
* Un principe de sélection qui statue quelle page télécharger.
* Un principe de re-visite qui statue quand vérifier s'il y a des changements aux pages.
* Un principe de politesse qui statue comment éviter les surcharges de pages
web.
* Un principe de parallélisation qui statue comment coordonner les robots d'indexations distribués.
Robots propriétaires
*
Googlebot de Google ;
* Scooter de AltaVista ;
* MSNBot de
MSN.
* Slurp de
Yahoo! ;
* KB
Crawl de BEA-Conseil ;
* OmniExplorer_Bot de OmniExplorer
* TwengaBot de Twenga
index du Glossaire SEM/SEO