Google. Dietro a questa strana parola si cela il motore di ricerca per eccellenza e l’unica entità capace di mettere ordine nel caos delle pagine web. Ma cosa si nasconde sotto il cofano di Google? Scopriamo come avviene il procedimento di indicizzazione dei contenuti e le basi del processo di elaborazione dei risultati di una ricerca.

Perché Google?

Mi sembra dovuto premettere che il funzionamento che sta alla base di Google può essere in larga parte attribuito a molti altri motori di ricerca, che differiscono per algoritmo utilizzato e per i nomi assegnati ai vari componenti. La scelta di parlare di Google, com’è evidente, è dettata dalla sua diffusione, dalla sua importanza “storica” e dalla sua fama di miglior strumento di ricerca.

Un ragno chiamato Googlebot

Google possiede un software, chiamato Googlebot, a cui è affidato il compito di indagare la rete. Il software in questione trascorre le sue giornate a saltare di pagina web in pagina web cercando informazioni nuove e degne della considerazione del motore di ricerca. Un programma di questo tipo si chiama genericamente spider ed è una caratteristica peculiare di ogni motore di ricerca (anche se molti motori come Virgilio, AOL, Supereva e fino a qualche tempo fa anche Yahoo, non possiedono uno spider di proprietà e si appoggiano alle ricerche del Googlebot).

I criteri seguiti dal Googlebot

Forse non tutti sanno che i server (in genere) supportano l’intestazione HTTP “If-Modified-Since“, che permette al server di comunicare se le pagine di un certo sito hanno subito modifiche dopo una data richiesta. Il Googlebot lo sa, e nei suoi salti si limita a chiedere al server di eventuali modifiche o aggiunte: se il server risponde negativamente lo spider passa oltre. Per guadagnare ulteriore tempo, inoltre, non vengono passati tutti i siti in ogni momento: alcuni sono controllati una volta a settimana e altri più volte al giorno, a seconda della frequenza con cui vengono aggiornati.

L’analisi del contenuto

Supponiamo che lo spider sia arrivato su Skimbu in due diverse occasioni: in occasione di un articolo di approfondimento sui social network (“I Social Network Sono Davvero Social?“) e in occasione di un’analisi del nuovo motore Volunia (“Volunia – Il Social Search“). In entrambi i casi viene (ovviamente) scansionato l’HTML e i suoi tag principali. I tag “title” e “h1” sono i primi ad essere individuati in quanto rappresentano i titoli dell’articolo e, oltre a dover essere visibili nei risultati, descrivono l’argomento e pertanto vengono considerati per il posizionamento nei risultati (di cui parlerò più avanti). A differenza di quanto credono molti, non vengono considerati per il posizionamento i tag “keywords” e “description”, anche se la descrizione verrà letta per essere visibile nei risultati. Sarà data importanza anche alle parole in grassetto o a quelle scritte in caratteri di dimensioni maggiori.

Ma come si comporta il motore di ricerca nei confronti del contenuto dei due articoli appena citati? Vengono prima scartati articoli, preposizioni, congiunzioni, ecc. e dei restanti termini viene stilata una classifica di frequenza. Vediamo nel dettaglio come questa classifica viene interpretata.

Articolo: “I Social Network Sono Davvero Social?”

Le parole più lette (anche nei titoli) sono senza dubbio “Social” e “Network”, quindi in questo caso è semplice individuare l’argomento principale. La parola “social” è presente 26 volte mentre “network” 14 volte. Si ripete spesso anche “condivisione” e “comunicazione”, che saranno incluse nell’argomento. Le parole in questione sono però (purtroppo per Skimbu) diffusissime anche su molti altri siti, quindi gli verrà data meno importanza per il posizionamento nei risultati.

A Google piacciono le parole più rare (anche semplici errori di battitura) e per questo motivo apprezzerà sicuramente la presenza nell’articolo della parola “Genesi” in un titolo, che nella ricerca avrà più importanza di “nascita” (anch’essa presente nell’articolo). Sarà quindi più probabile trovare l’articolo cercando “genesi social network” piuttosto che “nascita social network”.

Articolo: “Volunia – Il Social Search”

In questo caso la valutazione è leggermente differente. Analizziamo la parola “Volunia”. Un giorno prima dell’articolo era una parola piuttosto rara, quindi un articolo su Volunia sarebbe stato più semplice da trovare nei risultati. Alla mattina del 6 Febbraio però, quando lo spider interroga Skimbu, la parola Volunia è insolitamente alta, e anche le ricerche degli utenti per quella parola iniziano ad intensificarsi. In questo caso Google darà più importanza agli articoli su Volunia scritti dopo la mattina del 6 Febbraio, cioè dopo l’intensificazione delle ricerche per quella parola, in modo da fornire all’utente le notizie più recenti riguardo all’argomento e non vecchi articoli di approfondimento (anche se inerenti a Volunia).

L’ordinamento dei risultati: il PageRank

Per garantire la massima validità dei risultati di ricerca, Google non si basa solamente sul contenuto della pagina, ma anche sul PageRank, che il risultato di un algoritmo che assegna un valore numerico (da 0 a 10) a ciascun elemento del web, allo scopo di quantificarne l’importanza relativa: se un sito ha il Rank più alto di un altro, apparirà prima nei risultati (a parità di inerenza alle parole cercate). Senza il meccanismo del ranking, ogni risultato sarebbe una semplice lista di pagine che contengono l’informazione cercata; in questo modo Google si occupa anche del lavoro di scegliere i siti più pertinenti e autorevoli.

Come viene calcolato il PageRank

Quella che vedete non è la formula completa usata da Google per il ranking delle pagine, ma è solo una versione semplificata ricavata dall’algoritmo inizialmente sviluppato dai fondatori Brin e Page, utile per comprendere il funzionamento generale del PageRank. Vado ora ad interpretare la formula per chi non ama la matematica o non ne conosce il linguaggio.

Il Rank di una pagina web si basa sostanzialmente sui link che conducono ad essa da altre pagine. Più pagine contengono link al mio sito, più alto sarà il suo valore di PageRank. Si nota però che il valore finale non dipende direttamente dal numero di link, ma dipende dal rapporto tra il PageRank della pagina che ospita il link e il numero complessivo di link di quella pagina. In altre parole… più alto è il Rank della pagina che contiene il link al mio sito, più alto sarà il mio Rank; più alto è il numero di link della pagina che offre il link, più basso sarà il mio Rank. Nell’algoritmo compare anche un fattore “d”, un valore deciso e modificabile da Google, che regola il rapporto tra i Rank di pagine collegate da link e il valore di Rank minimo attribuito ad ogni pagina.

Eccezioni all’ordine dettato dal PageRank

A rigor di logica i siti con un Rank molto alto, online da tanti anni e ricchi di contenuti dovrebbero comparire quasi sempre nei primi risultati. Come può dunque un sito appena nato (quindi con un PageRank basso) ottenere visualizzazioni e quindi aumentare il suo Rank se si deve accontentare degli ultimi posti tra i risultati? Google ha la soluzione: ogni sito, a prescindere da qualsiasi fattore, ha il diritto di essere estratto in maniera casuale e di comparire temporaneamente nei primi 10 risultati del motore di ricerca. Ciò permette a Google di offrire sempre pagine web nuove ad ogni ricerca e ai siti appena nati di farsi notare.

E nel futuro?

L’algoritmo di Google è in continuo mutamento e ogni previsione sul suo futuro sarebbe azzardata. Tuttavia la recente introduzione del pulsante +1 e dell’inclusione dei post di Google nei risultati di ricerca, lascia presupporre che i voti degli utenti andranno un giorno ad affiancare in maniera incisiva il PageRank, o addirittura a sostituirlo. A conferma di ciò vi è lo slogan “Recommend on Search” scelto proprio da Google per pubblicizzare l’uso del suo pulsante.

Il SEO

Alla luce dei meccanismi descritti fin ora, ci si rende conto della grande importanza che rappresenta una conoscenza approfondita del motore di ricerca per chi progetta siti web, soprattutto se a scopo di lucro. A questo proposito è stato coniato l’acronimo SEO (Search Engine Optimization), con cui si racchiudono tutte le attività finalizzate ad “ottimizzare” un sito web per i motori di ricerca, cioè aumentare il volume di traffico da essi proveniente (esistono anche figure professionali specializzate in questo tipo di attività chiamate anch’esse SEO – Search Engine Optimizer). L’attività del SEO consiste generalmente in varie operazioni tecniche sul codice HTML, sui contenuti e anche sulle immagini, operazioni nel cui merito non entro in questo articolo.

“Roba da autori”

Spero di aver trattato l’argomento in modo completo e soprattutto in modo chiaro. Mi aspetto nei commenti segnalazioni di eventuali errori, mancanze o richieste di chiarimento. Sono disponibile anche per richieste di approfondimenti (nei limiti delle mie conoscenze).