geração (semi)automática de metadados - Universidad Autónoma ...

aAUTOMATOR: HERRAMIENTA FLEXIBLE PARA LA
EXTRACCIÓN DE INFORMACIÓN EN SITIOS WEB
BIOINFORMÁTICOS
Daniel Glez-Peña, José R. Méndez, Florentino Fdez-Riverola
Universidad de Vigo
E.S. de Ingeniería Informática, Edificio Politécnico, As Lagoas s/n, 32004, Ourense, España
{dgpena | moncho.mendez | riverola}@uvigo.es
RESUMEN
En este artículo se presenta aAUTOMATOR, una herramienta para el desarrollo fácil y rápido de agentes software a
medida destinados a la extracción de información de la Web. Estas aplicaciones, denominadas robots, recorren y analizan
las páginas web extrayendo y combinando la información existente según el formato especificado por el usuario.
aAUTOMATOR se compone de una herramienta visual para el diseño y ejecución de robots que evita la necesidad de
disponer de conocimientos avanzados de lenguajes de programación, y de una API que permite que los robots puedan ser
integrados en nuevos desarrollos independientes de aAUTOMATOR como aplicaciones web o aplicaciones de escritorio.
PALABRAS CLAVE
recuperación de información, web crawling, web semántica, bioinformática
1. INTRODUCCIÓN Y MOTIVACIÓN
Conferência IADIS Ibero-Americana WWW/Internet 2007
En la última década, la Web se ha convertido en el recurso de información más rico, libre, accesible,
participativo, útil y, en definitiva, de mayor relevancia de la Historia. A través de la WWW no sólo es posible
acceder a información de cualquier ámbito, sino que también es factible comprar, vender, publicitarse,
comunicarse audiovisualmente, formar comunidades, realizar operaciones bancarias, trámites con las
administraciones y un largo etcétera. En ciertos ámbitos, sobre todo científicos, la Web se presenta como la
fuente de información y de herramientas más importante, además de ser el principal canal de transferencia de
conocimiento.
Concretamente, en el campo de la bioinformática y la biología computacional cabe destacar la amplia
disponibilidad de recursos en-línea en cuanto a: (i) publicaciones con información biológica y médica
(bibliome) indexadas por la base de datos PubMed (Pubmed, 2007) con más de 16 millones de abstracts y
publicaciones científicas, y (ii) bases de datos genómicas, proteómicas y metabólicas de gran tamaño
accesibles a través de interfaces y servicios web (Baxenavis and Ouellete, 2004). En este sentido, la Web es
el medio que posibilita el acceso al nuevo conocimiento generado por diferentes grupos de investigación de
todo el mundo y que, sin embargo, continúa presentando importantes retos relacionados con el acceso y la
extracción de información útil. Entre otros, cabe mencionar los siguientes inconvenientes:
• Elevada cantidad de información. Las interfaces web de acceso a información genómica suelen
generar como resultado datos de elevada dimensionalidad y nivel de detalle que, si bien en muchos
casos es lo buscado, en otros únicamente resulta de interés una parte reducida del resultado.
• Múltiples formatos de presentación. El aspecto y estructura de los resultados es diferente en función
de la fuente de información a la que se accede.
• Información distribuida en diferentes lugares. Suele ser muy habitual que la información buscada no
se encuentre únicamente en un lugar, sino que sea necesario el acceso a múltiples fuentes de
información realizando búsquedas y copiando/pegando resultados que se dirigirán de forma manual
hacia nuevas búsquedas en otros lugares. Este último reto es de especial relevancia y reincidencia en
este campo.
215