какие данные относятся к структурированным
Что такое «структурированные данные» и почему вы должны их использовать
Информация полезна для вебмастеров и SEO-специалистов продвинутого уровня. Хотя и начинающие могут оценить важность структурированных данных в современном SEO.
Поисковые системы дали ясно понять: крайне важную роль в поиске будущего будут иметь хорошие сниппеты.
Google отлично понимает содержание контента на сайте. Когда же речь идет о нюансах в статьях и специфике каждой страницы – тут роботу поисковика уже нужна помощь. Именно поэтому структурированные данные помогут вам хорошо ранжироваться.
Структурированные данные – это общий термин, который относится к любым организованным данным определенного формата.
Это не SEO-термин. Реляционные базы данных — основополагающее ядро всех вычислений – полагаются на структурированные данные. SQL — структурированный язык запросов — управляет упорядоченными данными.
Когда создатель сайта хочет представить страницу как профиль пользователя, страницу события или список вакансий, в коде нужно поместить определенную маркировку.
Микроразметка SCHEMA.ORG
Де-факто в интернете основным языком описания структурированных данных является schema.org. Например, для представления авиаперелета schema.org содержит правила для описания типа авиаборта, номера выхода на посадку, меню.
Проект был основан в сотрудничестве между Google, Microsoft, Yahoo и Яндекс. Он остается открытым исходным кодом и технически редактируется кем-либо. Однако, как и любой проект W3C, процесс внесения изменений не так прост. Если вам хочется добавить новый тип структурированных данных, смиритесь с техническими и бюрократическими проволочками. В итоге вы получите новый тип разметки, включенный в библиотеку Schema.org.
4 варианта структурирования данных
JSON-LD также хорош тем, что на странице нет необходимости размещать какие-либо визуальные элементы контента, содержащие информацию.
Данный синтаксис можно представить как еще один атрибут. Например, как class. Этот формат может быть полезен для маркировки динамических элементов (отзывы). В таких случаях он быстрее и удобнее, чем использование JSON.
Маркировка данных Google Search Console
Для сайтов, на которых нет большого числа элементов для маркировки, Google предлагает полезный инструмент в GSC, позволяющий владельцам сайтов быстро применять структурированные данные. Однако приведем несколько причин не использовать Data Highlighter
Как структурированные данные помогают SEO
Расширенные сниппеты (т. н. Rich Snippets ) — наиболее желанные для всех вебмастеров, как повышающие CTR. Например, вывод рейтинга товаров непосредственно в сниппете страницы для интернет-магазина.
Мифы факторов ранжирования
Микроразметка не является фактором ранжирования.
В прошлом мы наблюдали некий трюк со стороны Google, учитывающий микроразметку. Google понимал в выдаче брендовые запросы. Например, если вы владелец пиццерии «Tim`s Pizzeria» в Бруклине и кто-то набирает запрос «tims pizzeria brooklyn», то ваш сайт появится на первом месте в выдаче, даже не имея ссылочного профиля.
Если Google еще не понял, что ваш сайт является аналогом «Tim`s Pizzeria», то микроразметка может в этом помочь, впрочем как и с графом знаний, который был описан выше.
Микроразметка — это не магия, и не добавляет качества сайту в глазах поисковых систем. Это нужно помнить, не забывая о её преимуществах.
Примеры применения структурированных данных
Использование JSON-LD является наипростейшим способом внедрения структурированных данных на сайт. Эта разметка сообщает, что ваш сайт «представляет собой набор связанных веб-страниц и других элементов, которые обычно размещаются на одном домене и доступны по определенным URL-адресам».
Вставьте данный код на ваш сайт так же, как, например, код GA, заменив yoursite.com вашим URL.
Многим понадобится внедрить микроразметку для интернет-магазина. Ниже приведен пример кода для сайтов eCommerce.
Стоит отметить, что Google понимает JSON-LD, даже если ее элементы рендерятся асинхронно, поэтому микроразметку можно легко внедрить через Google Tag Manager, AJAX и т. д.
Инструменты структурированных данных
Владельцам сайтов на WordPress можно порекомендовать плагин Schema для быстрой и легкой настройки микроразметки. Большинство плагинов микроразметки для WordPress имеют множество проблем и недоработок. Многие из этих плагинов передают в качестве элементов микроразметки лишние данные дизайн-темы WP-сайта, такие как: author, date Published, Featured Image и т. д.
А вот пример экспериментальной разметки страницы события, которую автор статьи внедрял для одного из своих клиентов.
Данная микроразметка делает сайт клиента автора одним из немногих (например, suggestedMinAge используется всего лишь от 100 до 1000 доменами)
Еще одна проблема SEO-плагинов для микроразметки в том, что их использование часто приводит к дублям. Это может быть проблемой, например, для карточек товаров: Google может считать два элемента микроразметки одного товара как два разных товара.
С данной проблемой автор статьи работает в настоящее время на одном из сайтов: Shopify имеет внедренную микроразметку товаров Schema, которая дублирует внедренную автором микроразметку для расширенных сниппетов, содержащую секции aggregate ratings и review (отзывы и рейтинг).
Кто то может предложить https://www.schemaapp.com/ … Автор статьи не сталкивался и не станет рекомендовать «за» или «против». Однако вот, что стоит отметить:
Все это кажется слишком сложным
Для мгновенного результата базовые возможности микроразметки несомненно помогут SEO. Основные структурированные данные могут быть внедрены с помощью плагинов. Если Вы выбрали применение плагинов, то стоит быть готовыми к сложностям, описанным выше.
Все те, кто работает с крупными проектами, должны уделить больше внимания расширенной микроразметке. Задумайтесь над тем, что, хорошее понимание структурированных данных — это ваш «золотой билет» в экспериментирование с поисковой выдачей. Это гарантирует, что ваш сайт будет «понятен» поисковой системой.
И хорошая новость в том, что работу с микроразметкой не надо делать регулярно. Достаточно проработать этот вопрос грамотно один раз, и можно больше к нему не возвращаться.
Поскольку внедрение микроразметки связано с программированием, то является своеобразной «страшилкой», и очень часто игнорируется SEO-специалистами. Автор уверен, что некоторым техническим SEO-специалистам это может не понравится и считает, что Schema не используется в полной мере всеми оптимизаторами.
Выводы
Техническое SEO бескрайне многообразно и широко по своим возможностям, и понимание структурированных данных является фундаментальным. Фактически Semantic Web может стать погибелью для SEO специалистов: чем больше данных мы скармливаем Google, тем больше создается расширений, которые уводят трафик из органической выдачи.
Когда мы грамотно внедряем структурированные данные на сайт, то мы обучаем поисковые системы все лучше обходиться без нас в будущем. Р азметка данных, с одной стороны будучи полезной, является удачным самообучающимся инструментом Google.
Однако, польза структурированных данных настолько велика, что микроразметку нельзя игнорировать. Не говоря о потенциальном росте трафика, хорошо выполненная маркировка данных повышает шансы сайта быть учтенным постоянно развивающимися дополнениями и расширениями органической выдачи со стороны Google.
В рабочее время ответим через 15 минут Похожие статьи 
Актуальные SEO-инструменты для продвижения сайта
SEO-software значительно облегчает работу по поисковому продвижению. Те рутинные задачи, на которые раньше уходили долгие дни кропотливой ручной работы, сегодня решаются в пару кликов. Несколько лет назад в блоге нашего агентства выходила статья об автоматизации SEO-процессов. Мы решили обновить информацию и собрали большой список интересного и качественного ПО — оно значительно облегчит и ускорит продвижение […]
Опираясь на анализ спроса в англоязычном сегменте рынка проката автомобилей, мы сгенерировали стабильный приток заявок с нуля. Рост органического трафика с отметки в 215 визитов до 8860 в августе 2018 года В этом кейсе мы покажем, как продвигать сайты в англоязычном сегменте интернета, как проанализировать рынок, спрос и конкуренцию на нем и какие для этого […]
Работа по любому проекту, который попадает в агентство 5 o’click на предварительную оценку или постоянное продвижение и рекламу, начинается с анализа. Для всех входящих заявок мы проводим оценку текущего состояния сайта и каналов его продвижения, ищем точки роста и развития ресурса. Для новых проектов, с которыми только начали работу, стратегия продвижения или рекламной кампании является […]
Структурированные и неструктурированные данные: сравнение и объяснение
Оглавление
В этой статье вы подробнее познакомитесь со структурированными и неструктурированными данными. Давайте посмотрим, в чем разница между ними и почему вы должны знать это в первую очередь. Кроме того, мы поможем вам понять, как обрабатывать каждый тип данных и какие программные инструменты доступны для каждой цели.
Структурированные и неструктурированные данные в двух словах
Данные существуют во множестве различных форм и размеров, но большинство из них могут быть представлены в виде структурированных и неструктурированных данных.
Ключевые различия между неструктурированными данными и структурированными данными.
Структурированные данные представляют собой высокоорганизованную, фактическую и точную информацию. Обычно он представлен в форме букв и цифр, которые хорошо вписываются в строки и столбцы таблиц. Структурированные данные обычно существуют в таблицах, подобных файлам Excel и электронным таблицам Google Docs.
Неструктурированные данные не имеют заранее определенной структуры и представлены во всем разнообразии форм. Примеры неструктурированных данных варьируются от изображений и текстовых файлов, таких как документы PDF, до видео и аудио файлов, и это лишь некоторые из них.
Структурированные данные часто называют количественными данными, что означает, что их объективный и заранее определенный характер позволяет нам легко подсчитывать, измерять и выражать данные в числах. Неструктурированные данные также называются качественными данными в том смысле, что они имеют субъективный и интерпретирующий характер. Эти данные можно разделить на категории в зависимости от их характеристик и свойств.
Сделав это резюме, давайте перейдем к более описательному объяснению различий.
Что такое структурированные данные?
Итак, структурированные данные – это хорошо организованные и точно отформатированные данные. Эти данные существуют в формате реляционных баз данных ( СУБД ), то есть информация хранится в таблицах со связанными строками и столбцами. Таким образом структурированные данные аккуратно упорядочиваются и записываются, поэтому их можно легко найти и обработать. Пока данные вписываются в структуру СУБД, мы можем легко искать конкретную информацию и выделять отношения между ее частями. Такие данные можно использовать только по прямому назначению. Кроме того, для структурированных данных обычно не требуется много места для хранения.
Для работы с реляционными базами данных и хранилищами используется специальный язык программирования SQL, который означает язык структурированных запросов и был разработан IBM еще в 1970-х годах.
Примеры структурированных данных. Структурированные данные знакомы большинству из нас. Файлы Google Sheets и Microsoft Office Excel – это первое, что приходит на ум, когда речь идет о примерах структурированных данных. Эти данные могут содержать как текст, так и числа, такие как имена сотрудников, контакты, почтовые индексы, адреса, номера кредитных карт и т. Д.
Типичный пример структурированных данных: электронная таблица Excel, содержащая информацию о покупателях и покупках.
Практически каждый имел дело с бронированием билета через одну из систем бронирования авиабилетов или снятием наличных в банкомате. Во время этих операций мы обычно не думаем о том, с какими приложениями имеем дело и какие типы данных они обрабатывают. Однако это системы, которые обычно также используют структурированные данные и реляционные базы данных.
Что такое неструктурированные данные?
Имеет смысл, что если определение структурированных данных подразумевает аккуратную организацию компонентов предопределенным образом, определение неструктурированных данных будет противоположным. Части таких данных не структурированы заранее определенным образом, то есть данные хранятся в своих собственных форматах.
Принимая во внимание все разнообразие форматов файлов неструктурированных данных, неудивительно, что они составляют более 80 процентов всех данных. При этом компании, игнорирующие неструктурированные данные, остаются далеко позади, поскольку не получают достаточно ценной информации.
Примеры неструктурированных данных. Существует широкий спектр форм, которые составляют неструктурированные данные, такие как электронная почта, текстовые файлы, сообщения в социальных сетях, видео, изображения, аудио, данные датчиков и так далее.
Сообщение туристического агентства в Facebook: пример неструктурированных данных.
В качестве примера мы можем взять сообщения в социальных сетях туристического агентства или все публикации, если на то пошло. Каждый пост содержит некоторые показатели, такие как репосты или хэштеги, которые можно количественно определить и структурировать. Однако сами посты относятся к категории неструктурированных данных. Мы пытаемся сказать, что для анализа сообщений и сбора полезной информации потребуется некоторое время, усилия, знания и специальные программные инструменты. Если агентство публикует новые туристические туры и хочет узнать реакцию аудитории (комментарии), им нужно будет изучить публикацию в ее собственном формате (просмотреть публикацию в приложении социальных сетей или использовать передовые методы, такие как анализ настроений ).
Ключевые различия между структурированными и неструктурированными данными
Подробнее о различиях между структурированными и неструктурированными данными.
Теперь давайте обсудим еще несколько важных различий между структурированными и неструктурированными данными:
Форматы данных: несколько форматов против множества форматов
Структурированные данные обычно представлены в виде текста и чисел. Его форматы стандартизированы и удобочитаемы. Наиболее распространены CSV и XML. В модели данных формат данных был определен заранее.
В отличие от структурированных данных, неструктурированные форматы данных представлены в избытке различных форм и размеров. Неструктурированные данные не имеют заранее определенной модели данных и хранятся в своих собственных форматах (так называемых «исходных» форматах). Это могут быть аудио (WAV, MP3, OGG и т. Д.) Или видеофайлы (MP4, WMV и т. Д.), PDF-документы, изображения (JPEG, PNG и т. Д.), Электронные письма, сообщения в социальных сетях, данные датчиков и т. Д.
Модели данных: предопределенные и гибкие
Структурированные данные менее гибкие, так как они основаны на строгой организации модели данных. Такие данные зависят от схемы. Схема базы данных обозначает конфигурацию столбцов (также называемых полями) и типы данных, которые должны храниться в этих столбцах. Такая зависимость является как преимуществом, так и недостатком. Хотя информацию здесь можно легко найти и обработать, все записи должны соответствовать очень строгим требованиям схемы.
С другой стороны, неструктурированные данные обеспечивают большую гибкость и масштабируемость. Отсутствие заранее определенной цели неструктурированных данных делает их очень гибкими, поскольку информация может храниться в различных форматах файлов. Однако эти данные субъективны и с ними труднее работать.
Хранилища для аналитического использования: озера данных или хранилища данных
Чем больше объем данных, тем больше места требуется для хранения. Картинка с высоким разрешением весит намного больше, чем текстовый файл. Следовательно, неструктурированные данные требуют больше места для хранения и обычно хранятся в озерах данных, репозиториях хранения, которые позволяют хранить практически неограниченные объемы данных в необработанных форматах. Помимо озер данных, неструктурированные данные хранятся в собственных приложениях.
В обоих случаях есть потенциал для использования облака.
Базы данных: SQL против NoSQL
Реляционные базы данных используют SQL или язык структурированных запросов для доступа к хранимым данным и управления ими. Синтаксис SQL аналогичен синтаксису английского языка, что обеспечивает простоту его написания, чтения и интерпретации.
Вот как SQL помогает делать запросы.
Говоря о базах данных для неструктурированных данных, наиболее подходящим вариантом для этого типа данных будут нереляционные базы данных, также известные как базы данных NoSQL.
NoSQL означает «не только SQL». Эти базы данных имеют различные модели данных и хранят данные в нетабличном виде. Наиболее распространенные типы баз данных NoSQL – это ключ-значение, документ, граф и широкий столбец. Такие базы данных могут обрабатывать огромные объемы данных и справляться с высокими пользовательскими нагрузками, поскольку они достаточно гибкие и масштабируемые. В мире NoSQL существуют скорее коллекции данных, чем таблицы. В этих сборниках есть так называемые документы. Хотя документы могут выглядеть как строки в таблицах, они не используют одну и ту же схему. В одной коллекции может быть несколько документов с разными полями. Кроме того, между элементами данных практически нет отношений. Идея здесь состоит в том, чтобы уменьшить количество слияний отношений и вместо этого иметь сверхбыстрые и эффективные запросы. Хотя будут и дубликаты данных.
Пример структуры данных NoSQL.
Легкость поиска, анализа и обработки
Одно из основных различий между структурированными и неструктурированными данными заключается в том, насколько легко их можно подвергнуть анализу. Структурированные данные в целом легко искать и обрабатывать, независимо от того, обрабатывает ли это человек или выполняет программные алгоритмы. Неструктурированные данные, напротив, гораздо сложнее искать и анализировать. После обнаружения такие данные должны быть внимательно обработаны, чтобы понять их ценность и применимость. Этот процесс сложен, поскольку неструктурированные данные не могут поместиться в фиксированные поля реляционных баз данных, пока они не будут собраны и обработаны.
С исторической точки зрения, поскольку структурированные данные существуют дольше, логично, что для них существует отличный выбор зрелых аналитических инструментов. В то же время те, кто работает с неструктурированными данными, могут столкнуться с меньшим выбором инструментов аналитики, поскольку большинство из них все еще разрабатываются. Использование традиционных инструментов интеллектуального анализа данных обычно разбивается о неорганизованную внутреннюю структуру этого типа данных.
Природа данных: количественные vs качественные
Неструктурированные данные, в свою очередь, часто классифицируются как качественные данные, содержащие субъективную информацию, которую невозможно обработать с помощью традиционных методов и инструментов программного анализа. Например, качественные данные могут поступать из опросов клиентов или отзывов в социальных сетях в текстовой форме. Для обработки и анализа качественных данных требуются более современные аналитические методы, такие как:
Инструменты и технологии
Инструменты структурированных данных. Ясная и высокоорганизованная сущность структурированных данных способствует широкому спектру инструментов управления данными и аналитики. Это открывает возможности для групп данных с точки зрения выбора наиболее подходящего программного продукта для работы со структурированными данными.
Инструменты управления структурированными данными.
Среди наиболее часто используемых систем управления реляционными базами данных, инструментов и технологий для обработки данных можно выделить следующие:
Инструменты для неструктурированных данных. Поскольку неструктурированные данные бывают разных форм и размеров, для их правильного анализа и обработки требуются специально разработанные инструменты. Кроме того, необходимо найти квалифицированную команду по анализу данных. Мало того, что полезно понимать тему данных, но также важно выяснить отношения этих данных.
Инструменты управления неструктурированными данными.
Ниже вы найдете несколько примеров инструментов и технологий для эффективного управления неструктурированными данными:
В свое время анализ неструктурированных данных обычно выполнялся вручную и требовал много времени. В настоящее время существует довольно много продвинутых инструментов на основе ИИ, которые помогают сортировать неструктурированные данные, находить соответствующие элементы и сохранять результаты. Технологии и инструменты для неструктурированных данных включают алгоритмы обработки естественного языка и машинного обучения. Таким образом, можно адаптировать программные продукты к потребностям конкретных отраслей.
Команды данных для обработки данных
В отличие от инструментов структурированных данных, инструменты, предназначенные для неструктурированных данных, более сложны в работе. Следовательно, им требуется определенный уровень знаний в области науки о данных и машинного обучения для проведения глубокого анализа данных. Кроме того, специалисты, работающие с неструктурированными данными, должны хорошо разбираться в теме данных и их взаимосвязи. Учитывая вышесказанное, для обработки неструктурированных данных компании потребуется квалифицированная помощь специалистов по данным, инженеров и аналитиков.
Примеры и варианты использования структурированных и неструктурированных данных
Поскольку мы частично затронули тему примеров структурированных и неструктурированных данных выше, было бы полезно указать на конкретные варианты использования.
Итак, когда вы думаете о датах, именах, идентификаторах продуктов, информации о транзакциях и т. Д., Вы знаете, что имеете в виду структурированные данные. В то же время неструктурированные данные имеют множество лиц, таких как текстовые файлы, документы PDF, сообщения в социальных сетях, комментарии, изображения, аудио / видео файлы, электронные письма и многие другие.
Чаще всего отраслям необходимо использовать оба типа данных для повышения эффективности своих услуг.
Основные структуры данных. Матчасть. Азы
Все чаще замечаю, что современным самоучкам очень не хватает матчасти. Все знают языки, но мало основы, такие как типы данных или алгоритмы. Немного про типы данных.
Еще в далеком 1976 швейцарский ученый Никлаус Вирт написал книгу Алгоритмы + структуры данных = программы.
40+ лет спустя это уравнение все еще верно. И если вы самоучка и надолго в программировании пробегитесь по статье, можно по диагонали. Можно код кофе.
В статье так же будут вопросы, которое вы можете услышать на интервью.
Что такое структура данных?
Структура данных — это контейнер, который хранит данные в определенном макете. Этот «макет» позволяет структуре данных быть эффективной в некоторых операциях и неэффективной в других.
Какие бывают?
Линейные, элементы образуют последовательность или линейный список, обход узлов линеен. Примеры: Массивы. Связанный список, стеки и очереди.
Нелинейные, если обход узлов нелинейный, а данные не последовательны. Пример: граф и деревья.
Основные структуры данных.
Массивы
Массив — это самая простая и широко используемая структура данных. Другие структуры данных, такие как стеки и очереди, являются производными от массивов.
Изображение простого массива размера 4, содержащего элементы (1, 2, 3 и 4).
Каждому элементу данных присваивается положительное числовое значение (индекс), который соответствует позиции элемента в массиве. Большинство языков определяют начальный индекс массива как 0.
Бывают
Одномерные, как показано выше.
Многомерные, массивы внутри массивов.
Основные операции
Вопросы
Стеки
Стек — абстрактный тип данных, представляющий собой список элементов, организованных по принципу LIFO (англ. last in — first out, «последним пришёл — первым вышел»).
Это не массивы. Это очередь. Придумал Алан Тюринг.
Примером стека может быть куча книг, расположенных в вертикальном порядке. Для того, чтобы получить книгу, которая где-то посередине, вам нужно будет удалить все книги, размещенные на ней. Так работает метод LIFO (Last In First Out). Функция «Отменить» в приложениях работает по LIFO.
Изображение стека, в три элемента (1, 2 и 3), где 3 находится наверху и будет удален первым.
Основные операции
Вопросы
Очереди
Подобно стекам, очередь — хранит элемент последовательным образом. Существенное отличие от стека – использование FIFO (First in First Out) вместо LIFO.
Пример очереди – очередь людей. Последний занял последним и будешь, а первый первым ее и покинет.
Изображение очереди, в четыре элемента (1, 2, 3 и 4), где 1 находится наверху и будет удален первым
Основные операции
Вопросы
Связанный список
Связанный список – массив где каждый элемент является отдельным объектом и состоит из двух элементов – данных и ссылки на следующий узел.
Принципиальным преимуществом перед массивом является структурная гибкость: порядок элементов связного списка может не совпадать с порядком расположения элементов данных в памяти компьютера, а порядок обхода списка всегда явно задаётся его внутренними связями.
Бывают
Однонаправленный, каждый узел хранит адрес или ссылку на следующий узел в списке и последний узел имеет следующий адрес или ссылку как NULL.
Двунаправленный, две ссылки, связанные с каждым узлом, одним из опорных пунктов на следующий узел и один к предыдущему узлу.
Круговой, все узлы соединяются, образуя круг. В конце нет NULL. Циклический связанный список может быть одно-или двукратным циклическим связанным списком.
Самое частое, линейный однонаправленный список. Пример – файловая система.
Основные операции
Вопросы
Графы
Граф-это набор узлов (вершин), которые соединены друг с другом в виде сети ребрами (дугами).
Бывают
Ориентированный, ребра являются направленными, т.е. существует только одно доступное направление между двумя связными вершинами.
Неориентированные, к каждому из ребер можно осуществлять переход в обоих направлениях.
Смешанные
Встречаются в таких формах как
Общие алгоритмы обхода графа
Вопросы
Деревья
Дерево-это иерархическая структура данных, состоящая из узлов (вершин) и ребер (дуг). Деревья по сути связанные графы без циклов.
Древовидные структуры везде и всюду. Дерево скилов в играх знают все.
«Бинарное дерево — это иерархическая структура данных, в которой каждый узел имеет значение (оно же является в данном случае и ключом) и ссылки на левого и правого потомка. » — Procs
Три способа обхода дерева
Вопросы
Trie ( префиксное деревое )
Разновидность дерева для строк, быстрый поиск. Словари. Т9.
Вот как такое дерево хранит слова «top», «thus» и «their».
Слова хранятся сверху вниз, зеленые цветные узлы «p», «s» и «r» указывают на конец «top», «thus « и «their» соответственно.
Вопросы
Хэш таблицы
Хэширование — это процесс, используемый для уникальной идентификации объектов и хранения каждого объекта в заранее рассчитанном уникальном индексе (ключе).
Объект хранится в виде пары «ключ-значение», а коллекция таких элементов называется «словарем». Каждый объект можно найти с помощью этого ключа.
По сути это массив, в котором ключ представлен в виде хеш-функции.
Эффективность хеширования зависит от
Вопросы
Список ресурсов
Вместо заключения
Матчасть так же интересна, как и сами языки. Возможно, кто-то увидит знакомые ему базовые структуры и заинтересуется.
Спасибо, что прочли. Надеюсь не зря потратили время =)
PS: Прошу извинить, как оказалось, перевод статьи уже был тут и очень недавно, я проглядел.
Если интересно, вот она, спасибо Hokum, буду внимательнее.