Re: [InetBib] PDF-dateien im GoogleIndex

["Klaus Graf" <klaus.graf@xxxxxxxxxxxxxxxxxxxxxxxxxx>]

On Mon, 29 Jun 2009 16:59:19 +0200
 Sebastian Wolf <sebastian.wolf@xxxxxxxxxxxxxxxx> wrote:
> Hallo liebe Liste,
>
> Karl Dietz schrieb:
>
> > > Sind auch zwei unterschiedliche Arten von Text im PDF.
> Das duerfte der
> > > Grund sein, Klaus.
>
> Nein, das wurde doch schon untersucht und zurecht
> ausgeschlossen. Es
> liegt einfach an Googles Unvollständigkeit. Das grafsche
> PDF ist ja
> nicht das einzige, dass Google nicht indexiert hat.
>
> Der Freidok-OAI-Server liefert als "completeListSize"
> 5866 (=
> Metadatensätze). PDF ist das einzige Format, was der
> Freidok-Server
> akzeptiert und zu jedem Dokument muss es mindestens 1 PDF
> geben, also
> mindestens 5866 PDFs.
>
> Von den 5866 Einstiegsseiten hat Google nach eigenen
> Angaben 5820 Seiten
> indexiert:
http://www.google.com/search?q=site%3Afreidok.uni-freiburg.de+"eingang+zum+volltext"&filter=0
> Und davon wiederum nur 5090 PDFs:
http://www.google.com/search?q=site%3Afreidok.uni-freiburg.de+filetype%3Apdf&filter=0
> Verifizieren lässt sich die Trefferzahl nicht, da Google
> nur max. 1000
> Treffer anzeigt. Wenn aber Googles eigene Angaben
> stimmen, hat Google zu
> knapp 800 indexierten Freidok-Einstiegsseiten nicht das
> dazugehörige PDF
> indexiert.
>
> Das stimmt übrigens ganz gut mit Tests für andere Server
> überein, die
> ich mal durchgeführt habe - Google hat oft nur ca. 80%
> der
> Einstiegsseiten indexiert. Lücken gibt es dabei in allen
> Jahren, nicht
> nur bei den neuesten Einträgen.
>
> Bing hat nach eigenen Angaben nur 4.770 PDFs vom
> Freidok-Server drin:
http://www.bing.com/search?q=site%3Afreidok.uni-freiburg.de+filetype%3Apdf&filter=0
> Es ist eben so: Google, Bing und alle anderen SuMas
> indexieren manche
> Dateien einfach nicht. Eine Regelmäßigkeit konnte ich da
> noch nie
> feststellen, warum eine Seite von Google indexiert wird
> und eine andere
> nicht. Das einzige, was der Betreiber machen kann, ist
> eine spezielle
> Sitemap für Suchmaschinen zu erstellen, um alle Seiten in
> den Index
> reinzukriegen. Eine Garantie ist das natürlich auch
> nicht, aber
> vielleicht kommen ja so am Ende 90% der PDFs rein.
>
> Viele Grüße
>
> Sebastian Wolf

Vielen Dank fuer diesen fundierten Beitrag, der meine
eigenen Feststellungen ergaenzt.

Aus der Sicht der Open-Access-Anhaenger muess es dringend
wuenschenswert sein, dass der VOLLTEXT aller Eprints (und
nicht nur 90 Prozent) fuer eine Suche zur Verfuegung steht.

OAI-Metadaten sind unzureichend! 

Seit dem Scheitern des Hochschulschriften-Harvestings von
Metager kenne ich keinen von Google unabhaengigen Versuch,
OA-Volltexte IR-uebergreifend suchbar zu machen.

Soweit IRs eine eigene Volltextsuche anbieten wie DSpace,
waere eine Metasuche dieser Angebote ein Schritt in die
richtige Richtung - ergaenzend zu Google. Und OPUS muss
eine eigene Volltextsuche anbieten, die wiederum
serveruebergreifend als Metasuche ausgestaltet sein sollte.
Da die meisten deutschen IRs OPUS verwenden, waere das ein
wichtiger Schritt. Wenn (Meta-)Suchmaschinenprogrammierer
es lernen wuerden, bei Bedarf nur diejenigen Treffer
auszugeben, die NICHT bei Google sind, waere das ebenfalls
zielfuehrend.

Klaus Graf   

-- 
http://www.inetbib.de