Web profond

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher
Ne doit pas être confondu avec dark web, darknet ou web opaque.

Le web profond, appelé aussi web caché (en anglais deep web) ou web invisible (terme imprécis)[1] décrit dans l'architecture du web la partie de la toile non indexée par les principaux moteurs de recherche généralistes. Ce terme est parfois aussi utilisé de manière abusive pour désigner les contenus choquants et peu visibles que l'on trouve sur le web.

Définition du deep web[modifier | modifier le code]

En 2001, Michael K. Bergman invente le terme deep web comme un terme du vocabulaire des moteurs de recherche[2]. Ce terme est construit par opposition au web surfacique ou web référencé. Il représente la partie de la toile qui n'est pas référencée par les moteurs de recherche généralistes (certains moteurs, tels que BASE, prennent en compte cette partie du réseau). Le deep web décrit un fait technique indépendamment du contenu.

Tous les sites web peuvent contenir des pages dans le deep web. On y trouve notamment les webmails, les banques en ligne, les sites dont une partie est payante et plus généralement tous les sites qui contiennent du contenu visible en fonction de l'utilisateur (voir Raisons de la non-indexation).

Ne pas confondre[modifier | modifier le code]

Le web profond n'est ni un darknet, ni un réseau d'anonymisation — les services web auxquels on peut accéder via des outils tels Tor, Freenet, I2P… —, ni le web opaque — indexable, mais non indexé —.

Confusion dans l'utilisation du mot deep web[modifier | modifier le code]

L'expression « deep web » est régulièrement utilisée dans les médias pour parler de sites web dont le contenu ou les services seraient choquants ou illégaux[3],[4],[5]. Les médias ne parlent alors plus seulement de sites cachés ou invisibles au sens technique du référencement par les moteurs de recherche mais dans un sens plus social pour évoquer leur faible visibilité.

La confusion est régulière y compris dans la presse généraliste comme en lorsque certains journaux [6],[7] reprennent une information de l'Agence France Presse et définissent de manière erronée le deep web comme étant « seulement accessible au moyen de réseaux spécifiques».

La confusion avec le dark web est parfois complète comme dans un article publié en sur rtl.be où l'on peut lire que « le deep web se trouve [...] sur un autre réseau, parallèle à internet. Les adresses URL des sites se terminent par .onion [...] »[8] ce qui ne correspond qu'au dark web et plus précisément à Tor.

Ressources profondes[modifier | modifier le code]

Les robots d'indexation sont des programmes utilisés par les moteurs de recherche pour parcourir le web. Afin de découvrir de nouvelles pages, ces robots suivent les hyperliens. Les ressources profondes sont celles qui ne peuvent pas être atteintes facilement par les moteurs de recherche.

Les ressources du web profond peuvent être classées dans une ou plusieurs des catégories suivantes :

  • contenu dynamique ;
  • contenu non lié ;
  • contenu à accès limité ;
  • contenu de script ;
  • format non indexable.

(voir la section Raisons de la non-indexation pour plus de précision).

Taille[modifier | modifier le code]

Une étude de juillet 2001 réalisée par l'entreprise BrightPlanet[1] estimait que le web profond pouvait contenir 500 fois plus de ressources que le web indexé par les moteurs de recherche. Ces ressources, en plus d'être volumineuses, notamment parce que la compression des fichiers y est moins conséquente, sont souvent de très bonne qualité.

D'après le site spécialisé GinjFo, le deep web représenterait 96 % de l'intégralité du web alors que le web surfacique ne représenterait que 4 % du contenu[9].

En 2008, le web invisible représenterait 70 à 75 % de l'ensemble, soit environ un trilliard de pages non indexées[10].

Web opaque[modifier | modifier le code]

Une partie très importante du web est théoriquement indexable, mais non indexée de fait par les moteurs. Certains auteurs[11] parlent dans ce cas, pour le web non profond et non indexé, de « web opaque » (opaque web) ou de « web presque visible » (nearly visible web).

Pour résumer, le web profond et le web opaque sont tous deux accessibles en ligne aux internautes et non indexés par les moteurs, mais le web opaque, lui, pourrait être indexé.

Les algorithmes des moteurs étant semblables (par exemple, PageRank), les zones indexées se recoupent en partie d'un moteur de recherche à l'autre. Les ressources matérielles des robots d'indexation ne sont pas, malgré des moyens matériels importants, à même de suivre tous les liens théoriquement visibles par eux, que le web (gigantesque) contient.

Une équipe de chercheurs allemands a étudié le comportement des robots d'indexation face à des sites contenant énormément de pages. Ils ont créé un site web composé de 2 147 483 647 pages (231 - 1). Ce site web étant un arbre binaire, il est très profond : il faut au minimum 31 clics pour arriver à certaines pages. Ils ont laissé ce site en ligne, sans le modifier, pendant une année. Les résultats montrent que le nombre de pages indexées pour ce site, dans le meilleur des cas, ne dépasse pas 0,0049 %.

Afin de résoudre ce problème de volumétrie de pages à indexer pour un site donné, le moteur Google a introduit en 2005 le protocole sitemap. Il permet, grâce à la mise à disposition du robot d'un fichier sitemap, de gagner en efficacité pour l'indexation. Ce fichier est mis à la racine du site par l'administrateur du site web.

Raisons de la non-indexation[modifier | modifier le code]

  • Les sites contiennent de plus en plus de pages dynamiques : les hyperliens de navigation sont générés à la demande et diffèrent d'une visite à l'autre.
  • Certains sites (ou partie de sites) ne sont pas liées par d'autres pages et ne peuvent donc pas être découvertes par les robots d'indexation (le seul moyen de les faire indexer est dès lors de demander explicitement cette indexation au moteur de recherche, ce qui est rarement fait, par ignorance de ce procédé). Ce contenu est connu comme des pages sans backlinks (ou inlinks).
  • Il faut parfois remplir convenablement un formulaire de critères de recherche pour pouvoir accéder à une page précise. C'est le cas de sites exploitant des banques de données.
  • Certains sites nécessitent une authentification (requérant un login et un mot de passe) avant d'accéder au contenu réel : c'est le cas de certains sites payants et des sites avec des archives payantes (journaux en ligne, bases de données de météorologie, etc.).
  • Les pages web peuvent dans leur conception rendre difficile leur indexation. Elles peuvent en particulier contenir des éléments HTML frameset au lieu des éléments classiques body. Les balises consistant en un fichier robot.txt inséré dans le code d'une page permettent de protéger son copyright, de limiter les visites ou préserver le site d’accès trop fréquents. Or un robot n'est guère capable d'émettre des requêtes pertinentes ; sa visite d'indexation se réduit donc aux seules pages accessibles en suivant des URL statiques.
  • L'utilisation du langage JavaScript (comme Ajax), mal compris, voire incompris par les robots[12], pour lier les pages entre elles constitue souvent un frein à leur indexation.
  • Le web invisible est également constitué des ressources utilisant des formats de données incompréhensibles par les moteurs de recherche. Cela a été longtemps le cas du format PDF ou ceux de Microsoft Office (Excel, Word, Power Point…), le seul format reconnu initialement étant le langage natif du Web, l’HTML. Les grands moteurs de recherche (Google, Yahoo!, Bing…) sont capables d'indexer avec plus ou moins d'efficacité les documents utilisant ces formats[13],[14]. Google reconnaît les pages au format flash[15] depuis le début de 2008.
  • Les moteurs de recherche classiques n’indexent qu’entre 5 et 60 % du contenu des sites accueillant de grandes bases de données : Internet Movie Database, PubMed, le National Climatic Data Center qui met en ligne une base de données contenant 370 000 Gio, alors que celle de la NASA est de 220 000 Gio[16].
  • Les moteurs indexent partiellement les pages volumineuses : Google et Yahoo! se contentent de 500 kilooctets[17].

Web privé[modifier | modifier le code]

Certaines pages sont inaccessibles aux robots du fait de la volonté de l'administrateur du site web. L'utilisation du fichier robots.txt notamment, mis à la racine d'un site web, permet de bloquer tout ou partie du site aux robots qui coopèrent, le site restant accessible aux internautes. Il est également possible d'utiliser l'élément meta robot dans le même but ainsi que pour empêcher de suivre des liens et interdire la mise en cache de pages (indépendamment de l'autorisation d'indexation). Ces pages sont alors parfois rangées dans une catégorie connexe à celle du web profond : le web privé (private web).

Web propriétaire[modifier | modifier le code]

Le web propriétaire désigne les pages où il est nécessaire de s’identifier pour accéder au contenu. Le web propriétaire est compris dans le web profond.[réf. nécessaire]

Notes et références[modifier | modifier le code]

  1. a et b (en) Michael K. Bergman, « The Deep Web: Surfacing Hidden Value », The Journal of Electronic Publishing 2001, vol. 7, no 1.
  2. (en) Alex Wrigh]]t, « Exploring a 'Deep Web' That Google Can’t Grasp », The New York Times,‎ (lire en ligne)
  3. Fraudes en ligne : ne pas ignorer dark web et deep web , sur JournalDuNet.
  4. Plusieurs sites de vente de drogue du « Deep Web » français piratés, sur LeMonde.fr.
  5. Drogues, armes, malwares, tueurs à gages… à la découverte du Deep Web, sur 01net.
  6. Deux plaques tournantes du "Dark web" fermées après une opération policière, sur LePoint.fr.
  7. Deux plaques tournantes du "Dark web" fermées après une opération policière, sur BourseDirecte.fr.
  8. On a (presque) acheté des armes, de la drogue et un passeport sur internet : plongée inédite au cœur du DARK WEB, sur RTL.be.
  9. « Web, 4% seulement du contenu est visible, où se cache le Deep Web ? - GinjFo », sur GinjFo (consulté le 8 avril 2017)
  10. Francis Pisani et Dominique Piotet, Comment le web change le monde : l'alchimie des multitudes,  éd. Pearson, 2008 (ISBN 978-2-7440-6261-2), p. 188.
  11. (en) Chris Sherman et Gary Price, The Invisible Web, septembre 2001
  12. (en) « Understanding web pages better », sur Official Google Webmaster Central Blog (consulté le 8 mars 2016)
  13. (en) « Can A Search Engine Like Google.com Index My PDF Files? »
  14. (en) « Make your PDFs work well with Google (and other search engines) ».
  15. (en) « Webmaster Tools Help : Flash and other rich media files ».
  16. Jean-Paul Pinte, « Le Web invisible : l'antre du cybercrime », Pour la Science, no 70,‎ janvier-mars 2011, p. 102
  17. Jean-Paul Pinte, « Le Web invisible : l'antre du cybercrime », Pour la Science, no 70,‎ janvier-mars 2011, p. 103

Voir aussi[modifier | modifier le code]

Articles connexes[modifier | modifier le code]

Liens externes[modifier | modifier le code]