Módulo para la detección de contenido duplicado en portales web

Abstract

El presente trabajo consiste en el desarrollo de un módulo para la detección de contenido duplicado en portales implementados en Drupal 7. Se estudiaron varias herramientas existentes que detectan contenido duplicado y los módulos utilizados en Drupal para facilitar el posicionamiento. Se analizaron varios algoritmos de los reportados en la bibliografía y se seleccionaron la similitud coseno y el similar text porque combinados, disminuyen el tiempo de respuesta y se reducen las limitaciones individuales que presentan. Para la implementación se utilizó Drupal en su versión 7, y como guía del proceso la metodología de desarrollo de software OpenUp. Se emplearon como lenguajes de programación PHP 5, HTML 5 y CSS 3. La solución cuenta con PostgreSQL en su versión 9.1 y MySQL versión 5 como gestores de bases de datos. El modelado se realizó con la herramienta Visual Paradigm 8, el lenguaje de modelado fue UML y en las pruebas de seguridad se empleó la herramienta Websecurify. El módulo permite realizar una búsqueda para detectar la existencia de contenido duplicado sobre la base de los algoritmos seleccionados, comprueba la similitud entre los contenidos de las páginas del portal y ofrece un reporte con los nodos que presentan duplicado en caso de encontrarse. Esta solución brinda a los webmasters una herramienta que permite la detección de contenido duplicado en los portales para facilitar posicionamiento y optimización de la información. Las pruebas de software arrojaron que el módulo es funcional, seguro y se integra de forma adecuada a Drupal 7.