Subsistema de estandarización de documentos para el buscador Orión

Abstract

Internet constituye un importante medio de información usualmente recurrido por un gran número de usuarios, debido a la masividad y heterogeneidad de los contenidos que enlaza. El crecimiento acelerado de los datos provoca que los usuarios afronten dificultades para encontrar la información que realmente necesitan. Para contribuir a erradicar esta problemática se diseñaron los Sistemas de Recuperación de Información que permiten mostrar al usuario los contenidos más relevantes, mediante técnicas de rastreo, indexado y visualización de información. En la Universidad de las Ciencias Informáticas se desarrolló el buscador Orión, este presenta dificultades en el desempeño óptimo del proceso de estandarización de documentos. La investigación se centró en el desarrollo de un subsistema de estandarización de documentos para el buscador Orión. La propuesta de solución estuvo guiada por la metodología AUP-UCI y la modelación se realizó en la herramienta Visual Paradigm generando los artefactos afines a cada etapa del desarrollo. Durante la implementación se emplearon las tecnologías: Nutch como mecanismo para rastrear la Web, Solr como servidor de indexación, JSON como formato de intercambio de datos, XML como lenguaje para los ficheros de configuración en Solr y Java como lenguaje de programación para la implementación del plugin en Nutch. Para la validación del sistema se realizaron pruebas funcionales, de integración y aceptación, las cuales arrojaron un conjunto de no conformidades que fueron resueltas en iteraciones posteriores. El subsistema implementado presenta funcionalidades que favorecen la calidad de las búsquedas, mediante la estandarización de documentos en la integración de Nutch y Solr.