Перейти к содержанию

RDF

Определение

RDF (Resource Description Framework) – стандарт W3C для описания ресурсов в виде тройки subject-predicate-object. Первая версия опубликована в 1999 году, текущая RDF 1.1 – в феврале 2014. RDF – теоретическая основа Schema.org и формата JSON-LD.

4 мин 247 Обновлено 12 августа

RDF – это абстрактная модель данных для представления любой информации в машиночитаемом виде. Каждое утверждение в RDF выражается одинаково: «субъект – предикат – объект». Например, «Валентина Меланина – автор – этой статьи». На основе RDF построены большинство современных стандартов семантического веба: Schema.org, JSON-LD, FOAF, Dublin Core, Wikidata.

Как это работает

Базовая единица RDF – триплет (triple). Это утверждение из трёх частей:

  • Subject (субъект) – ресурс, о котором делается утверждение
  • Predicate (предикат) – свойство или отношение
  • Object (объект) – значение свойства или связанный ресурс

Простой пример на естественном языке: «Небо имеет цвет голубой». В RDF это превращается в триплет: (небо, имеет_цвет, голубой). Каждый из трёх элементов идентифицируется через IRI – Internationalized Resource Identifier, расширенную версию URI с поддержкой Unicode.

Несколько триплетов с одним общим субъектом или объектом образуют граф. Формально это направленный граф, где субъекты и объекты – узлы, а предикаты – направленные рёбра между ними:

(Валентина Меланина, тип, Person)
(Валентина Меланина, jobTitle, "Маркетолог-аналитик")
(Валентина Меланина, affiliation, m.ai)
(m.ai, тип, Organization)
(m.ai, foundingDate, "2020")

В этом графе шесть триплетов описывают связь автора с организацией. Граф можно бесконечно расширять: добавить триплеты про статьи, которые написал субъект, про мероприятия, в которых он участвует, про публикации, которые цитируют его работы. Это называется Linked Data – связанные данные.

Сериализации RDF

RDF – это абстрактная модель. Чтобы сохранить или передать триплеты, используют один из форматов записи (сериализаций):

ФорматГде применяетсяКогда выбирать
JSON-LDВеб-страницы, разметка Schema.org, Web APIВ 90% задач веб-разработки. Рекомендован Google
Turtle (TTL)Документация, базы знаний, ручное редактированиеКогда RDF читают и пишут люди – Turtle компактнее JSON-LD
N-TriplesИмпорт-экспорт больших датасетов между триплсторамиКогда нужен максимально простой парсинг построчно
RDF/XMLСтарые системы семантического вебаТолько legacy. Новые проекты не используют

Тот же граф про автора в JSON-LD выглядит компактно:

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "Валентина Меланина",
  "jobTitle": "Маркетолог-аналитик",
  "affiliation": {
    "@type": "Organization",
    "name": "m.ai",
    "foundingDate": "2020"
  }
}

История стандарта

Первый публичный draft RDF выпущен W3C в октябре 1997 года рабочей группой с участием IBM, Microsoft, Netscape, Nokia, Reuters. Первая официальная W3C Recommendation – RDF Model and Syntax Specification 1999 года. Версия RDF 1.1 утверждена 25 февраля 2014 года и до сих пор остаётся основным действующим стандартом. Кандидат на следующую версию, RDF 1.2, имеет статус Candidate Recommendation Snapshot от 7 апреля 2026 года и добавляет триплеты-термы и направленные языковые строки.

Главные имена в истории RDF – Tim Berners-Lee (концепция семантического веба), Ramanathan V. Guha (тогда Apple, позже Google – основатель Schema.org) и Tim Bray (Netscape), которые в 1995–1997 годах разработали Meta Content Framework – прямого предшественника RDF.

Зачем это нужно

Для большинства веб-разработчиков и маркетологов RDF – это «теория, которую знать не обязательно». Можно успешно использовать JSON-LD и Schema.org, не понимая, что под капотом – RDF-модель. Но в трёх случаях знание RDF даёт практическое преимущество.

1. AI-поиск и Knowledge Graph. Google Knowledge Graph, Wikidata и большинство открытых баз знаний построены на RDF. Когда LLM (ChatGPT, Claude, Gemini) формирует ответ о компании, человеке или продукте, она часто опирается на RDF-граф связанных данных. Понимание модели помогает структурировать сайт так, чтобы он попал в граф знаний поисковика и AI-системы.

2. Корпоративные knowledge graphs. Крупные компании (банки, ритейл, фарма) строят внутренние графы знаний на RDF и SPARQL – это становится критичным инструментом, когда поверх корпоративных данных запускают AI-ассистента или поиск.

3. Связывание данных через sameAs. Свойство sameAs в Schema.org работает по логике RDF: оно говорит «эта сущность тождественна сущности по другому URL». Указав в JSON-LD sameAs на профиль в Wikipedia, Wikidata, LinkedIn или ORCID, сайт связывает свою сущность с проверенным графом – и получает доверие AI-систем.

Пример

В одном из проектов клиент – медицинский эксперт с авторскими статьями на сайте – был корректно размечен через JSON-LD с типом Person, но в ChatGPT и Perplexity на запросы вида «лучшие эксперты в [нише]» не упоминался. Проблема нашлась в RDF-модели: его сущность не была связана с внешними проверенными графами. JSON-LD содержал имя, должность и ссылку на сайт, но не было sameAs на ORCID, профиль в Pubmed, страницу автора в Wikipedia.

Добавили шесть ссылок sameAs: ORCID, ResearchGate, два упоминания в авторитетных медицинских журналах, профиль в LinkedIn, страница в реестре Минздрава. Через два месяца Perplexity начал упоминать эксперта в ответах на профильные запросы – потому что AI-система смогла связать сущность сайта с проверенным графом авторитетных источников. Это и есть RDF в действии: значение даёт не разметка как таковая, а связи между сущностями.

Частые вопросы

Что такое RDF простыми словами?

RDF – это способ описать любую информацию в виде тройки «субъект – предикат – объект», как простое предложение из трёх частей. Например: «Валентина – автор – этой статьи». Из таких троек складывается граф знаний, который понимают и поисковики, и AI-системы.

Чем RDF отличается от JSON-LD?

RDF – это абстрактная модель данных (как описывать информацию через триплеты). JSON-LD – один из форматов записи RDF в JSON-синтаксисе. Аналогия: RDF – это «грамматика», а JSON-LD – конкретный «диалект» этой грамматики. Другие форматы записи RDF – Turtle, N-Triples, RDF/XML.

Нужно ли мне знать RDF, чтобы внедрить Schema.org на сайт?

Нет, на практическом уровне знать RDF необязательно. Внедрение Schema.org через JSON-LD не требует понимания RDF-модели. Но знание RDF помогает в продвинутых задачах: построении корпоративных knowledge graphs, оптимизации под Google Knowledge Graph, правильной работе со связыванием сущностей через sameAs.

Что такое триплет в RDF?

Триплет – базовая единица RDF, утверждение из трёх элементов: subject (субъект, о котором утверждение), predicate (предикат, свойство или отношение), object (объект, значение свойства). Каждый элемент идентифицируется через IRI – расширенный URI с поддержкой Unicode. Например, триплет «небо имеет цвет голубой» в RDF: (URI_неба, URI_имеет_цвет, URI_голубого).

Что такое Linked Data и как это связано с RDF?

Linked Data (связанные данные) – это концепция, в которой данные публикуются в виде RDF-графов и связываются между собой через общие IRI. Идея в том, что разные сайты и сервисы могут описывать одну и ту же сущность, и через общий IRI эти описания соединяются в единый глобальный граф. Wikidata, DBpedia, многие государственные открытые данные – это Linked Data на основе RDF.

Какие сериализации RDF используются на практике?

Четыре основных формата. JSON-LD – для веб-страниц и Schema.org (рекомендация Google), используется в 90% веб-задач. Turtle (TTL) – для ручного редактирования и документации, компактнее JSON-LD. N-Triples – для импорта-экспорта больших датасетов между триплсторами. RDF/XML – старый формат, новые проекты его не используют.

Что такое SPARQL?

SPARQL (рекурсивная аббревиатура: SPARQL Protocol and RDF Query Language) – стандартный язык запросов к RDF-данным, разработанный W3C. Работает с RDF-графами как SQL – с реляционными базами. Используется в knowledge graphs, Wikidata, корпоративных базах знаний для запросов вида «найти все статьи автора X, которые ссылаются на работы автора Y».

Связанные термины

FAQPage Schema FAQPage Schema – тип разметки Schema.org для страниц с часто задаваемыми вопросами и ответами. С 8 августа 2023 года Google показывает FAQ rich results только для авторитетных правительственных и медицинских сайтов, но для AI-поиска разметка остаётся одним из самых сильных сигналов цитируемости. GEO GEO (Generative Engine Optimization) – оптимизация контента под цитируемость в AI-поисковиках: ChatGPT, Perplexity, Google AI Overviews, Яндекс Алиса AI. Термин ввели исследователи Принстона, Georgia Tech, Allen Institute и IIT Delhi в работе на arXiv от 16 ноября 2023 года. HowTo Schema HowTo Schema – тип разметки Schema.org для пошаговых инструкций. 13 сентября 2023 года Google полностью отключил HowTo rich results на всех устройствах, но разметка остаётся ценным сигналом для AI-поиска (ChatGPT, Perplexity, AI Overviews) и Яндекс Алисы AI. JSON-LD Формат записи структурированных данных Schema.org в JSON (рекомендация W3C, 2014). Используется как основной способ внедрения разметки на веб-страницы: отдельный блок в секции head или body, не зависит от вёрстки. Schema.org Schema.org – словарь структурированных данных для разметки веб-страниц, который понимают Google, Bing, Yandex и AI-системы. Запущен в 2011 году совместно Google, Microsoft и Yahoo, в ноябре 2011 к проекту присоединился Яндекс.

Материалы по теме

Что почитать дальше по этой теме.

Статья Что боты находят на сайте, а вы – нет Боты ходят по изнанке сайта, куда живой человек не забредёт, и фиксируют в логах то, чего не видно ни в Метрике, ни на витрине: падающие с ошибкой 500 страницы каталога, битый файл с 747 обращениями, поток сканеров секретов. Разбираю на реальных логах, что искать и как чинить. 7 мин 196 22 июля 2026 Инструкция Как выгрузить и читать access-логи, если хостинг хранит их три дня Access-лог – единственное место, где виден весь трафик сайта, включая ИИ-ботов, которых не замечают счётчики. Разбираю на практике: где взять логи, как не потерять их из-за ротации, какие команды показывают ботов, ошибки и подозрительную активность. 7 мин 151 21 июля 2026 Флагманский гайд AI-анализ email-обращений: методика на стыке Яндекс.Метрики и Claude Code Классический email-трекинг отвечает на вопрос «откуда пришло обращение». AI-слой отвечает на вопросы, которые раньше требовали ручного аналитика: значим ли email на фоне звонков, форм и мессенджеров, почему один источник даёт качественные обращения, а другой – пустые, какие сегменты визитов предшествуют письму, что написать в ответ с учётом пути пользователя. Здесь – как я собираю это на уже имеющемся стеке: Logs API Метрики, PostgreSQL и Claude Code, без новых платных сервисов. 11 мин 290 26 мая 2026 Флагманский гайд Майкор: ИИ-аудит проекта по 4 точкам контакта Майкор – это перекрёстный ИИ-аудит проекта в 4 точках контакта: сайт, контекстная реклама, AI-поиск и Яндекс.Карты. Я анализирую каждую систему и смотрю связки между ними – где маркетинг рассказывает одно, реклама ведёт на другое, а AI-системы цитируют третий номер телефона. В одном из моих аудитов медицинской клиники в Москве у организации в индексе AI-сервисов оказалось 6 разных номеров и всего 7 упоминаний на 64 проверочных запроса – при том, что в обычной выдаче Яндекса клиника была в топ-1. Майкор закрывает такие разрывы за один аудит вместо четырёх раздельных. 16 мин 495 13 мая 2026 Гайд FAQPage Schema: как разметить блок частых вопросов и попасть в AI-ответы FAQPage schema – один из самых эффективных типов разметки для попадания в AI-ответы. Страницы с FAQPage schema цитируются AI-поисковиками в 2,7 раза чаще. В этом гайде – формат разметки, правила написания ответов для AI, реализация на 1С-Битрикс и типичные ошибки, которые обнуляют эффект. 8 мин 326 25 апреля 2026