Перейти к содержанию

SPARQL

Определение

SPARQL (SPARQL Protocol and RDF Query Language) – стандартный язык запросов к данным в формате RDF. SPARQL 1.0 утверждён W3C 15 января 2008 года, расширенная версия SPARQL 1.1 – 21 марта 2013 года. Используется в knowledge graphs, Wikidata и корпоративных базах знаний.

3 мин 98 Обновлено 12 августа

SPARQL – это «SQL для семантического веба». Если SQL запрашивает данные из таблиц реляционной базы, то SPARQL запрашивает триплеты из RDF-графа. Произносится «спаркл», расшифровка рекурсивная: SPARQL Protocol and RDF Query Language. Это ключевой инструмент работы с Wikidata, Google Knowledge Graph (внутренне) и корпоративными knowledge graphs.

Как это работает

Запрос в SPARQL описывает шаблон, которому должны соответствовать триплеты в графе. Простой пример: найти все статьи на сайте с автором «Валентина Меланина».

PREFIX schema: <https://schema.org/>

SELECT ?article ?headline ?datePublished
WHERE {
  ?article schema:author ?author .
  ?author schema:name "Валентина Меланина" .
  ?article schema:headline ?headline .
  ?article schema:datePublished ?datePublished .
}
ORDER BY DESC(?datePublished)
LIMIT 10

Что говорит этот запрос: «Возьми сущность ?article, у которой есть schema:author, ведущий к сущности с именем „Валентина Меланина“, и верни заголовок и дату публикации, отсортируй по дате убывая, ограничь 10 результатами». Знак ? обозначает переменную – то, что нужно найти. PREFIX – короткое имя для словаря (чтобы не писать полный URI каждый раз).

SPARQL поддерживает четыре основных типа запросов:

ТипЧто делаетАналог в SQL
SELECTВозвращает значения переменных в табличной формеSELECT
CONSTRUCTВозвращает новый RDF-граф на основе шаблона–
ASKВозвращает true/false – есть ли совпадение с шаблономEXISTS
DESCRIBEВозвращает все известные триплеты о сущностиSELECT * WHERE pk = X

История стандарта

SPARQL 1.0 утверждён W3C как Recommendation 15 января 2008 года. Авторы – Eric Prud'hommeaux (W3C) и Andy Seaborne (Hewlett-Packard Laboratories). Версия SPARQL 1.1 – это набор из 11 связанных спецификаций, опубликованных одновременно 21 марта 2013 года. Главные нововведения 1.1 – агрегатные функции (COUNT, SUM, AVG), подзапросы, отрицание, property paths и SPARQL Update для модификации данных.

Сейчас в W3C идёт работа над SPARQL 1.2 – драфт публикуется группой RDF and SPARQL Working Group. Главное нововведение – поддержка RDF-star (триплеты как термы внутри других триплетов).

Зачем это нужно

SPARQL – нишевый инструмент для трёх категорий пользователей.

1. Аналитики и data scientists, работающие с открытыми knowledge graphs. Самый частый сценарий – запросы к Wikidata через её публичный SPARQL endpoint (query.wikidata.org). Можно за 2 минуты получить, например, список всех мэров Москвы за всю историю с датами правления, или все компании в нише с указанием выручки и страны регистрации.

2. Корпоративные команды с собственными knowledge graphs. Банки, фарма, ритейл строят внутренние графы знаний на RDF и SPARQL для работы с разнородными данными. Поверх такого графа запускается AI-ассистент, продуктовый поиск или система рекомендаций.

3. SEO и контент-аналитики, работающие с Google Knowledge Graph. Прямого доступа к Knowledge Graph через SPARQL нет, но через Google Knowledge Graph Search API можно получать данные о сущностях. SPARQL пригодится для проверки связности своих сущностей через Wikidata.

Пример

В одном из проектов клиент в нише образовательных курсов хотел понять, какие конкуренты упоминаются в Wikidata вместе с его темой. Через SPARQL endpoint Wikidata за 30 секунд получили список из 47 организаций, у которых в свойствах указана связь с обучением data science, плюс их размер, страна и год основания. Этот список лёг в основу стратегии – кого упоминать в обзорах, с кем сравнивать в pillar-гайдах, на чьи работы ссылаться. Без SPARQL аналогичный сбор данных вручную из Википедии занял бы 3–4 дня.

Вывод: SPARQL – узкоспециальный, но очень дешёвый инструмент конкурентного и контент-анализа, если задача связана с публичными графами знаний.

Частые вопросы

Что означает аббревиатура SPARQL?

SPARQL – рекурсивный акроним: SPARQL Protocol and RDF Query Language. Произносится «спаркл», по-английски звучит как sparkle (искра). Это стандартный язык запросов к данным, представленным в формате RDF.

Чем SPARQL отличается от SQL?

SQL запрашивает данные из таблиц реляционной базы, SPARQL – триплеты из RDF-графа. SQL работает с фиксированной схемой (колонки таблицы), SPARQL – с гибкой графовой моделью без жёсткой схемы. В SPARQL вместо JOIN используется сопоставление шаблонов триплетов: переменные в позициях subject, predicate или object автоматически связывают данные между собой.

Где можно попробовать SPARQL бесплатно?

Самый простой способ – публичный endpoint Wikidata по адресу query.wikidata.org. Можно сразу писать запросы и получать данные о любых сущностях из Wikidata. Также доступны DBpedia (dbpedia.org/sparql), европейская библиотека Europeana, базы знаний по биологии (UniProt) и многие государственные открытые данные.

Какие типы запросов бывают в SPARQL?

Четыре основных. SELECT возвращает значения переменных в табличной форме (как в SQL). CONSTRUCT возвращает новый RDF-граф по шаблону. ASK возвращает true/false – есть ли совпадение с шаблоном. DESCRIBE возвращает все известные триплеты о сущности. Также в SPARQL 1.1 добавлены команды Update для модификации данных: INSERT, DELETE, LOAD.

Что нового в SPARQL 1.1 по сравнению с SPARQL 1.0?

SPARQL 1.1, опубликованный 21 марта 2013 года, добавил агрегатные функции (COUNT, SUM, AVG, MIN, MAX, GROUP_CONCAT), подзапросы, отрицание (NOT EXISTS, MINUS), property paths (запросы по цепочкам свойств), федеративные запросы к нескольким endpoints, JSON и CSV форматы результатов, отдельный язык SPARQL Update для модификации графов.

Кто использует SPARQL на практике?

Wikimedia Foundation для Wikidata Query Service. Крупные библиотеки и архивы (Library of Congress, BnF, Британская библиотека) для каталогов. Фарма-компании для интеграции данных по молекулам и клиническим испытаниям. Банки и ритейл для корпоративных knowledge graphs. Государственные открытые данные ЕС и США. Также SPARQL поддерживается базами Apache Jena, Blazegraph, GraphDB, Stardog, Virtuoso.

SPARQL – это устаревшая технология?

Нет. SPARQL остаётся основным языком запросов к семантическим данным в 2026 году. Работа над спецификациями продолжается: SPARQL 1.2 в активной разработке W3C RDF & SPARQL Working Group. С ростом популярности AI и knowledge graphs (Google Knowledge Graph, Wikidata, корпоративные графы) интерес к SPARQL только усиливается.

Связанные термины

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. Linked Data Linked Data (связанные данные) – концепция публикации структурированных данных в вебе так, чтобы их можно было соединять между сайтами через общие идентификаторы (URI). Принципы предложил Тим Бернерс-Ли в 2006 году. Технологическая основа – RDF, SPARQL, Wikidata, schema.org. RDF 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. 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. Wikidata Wikidata – открытый многоязычный knowledge graph под управлением Wikimedia Foundation, запущенный 29 октября 2012 года. Содержит более 120 миллионов сущностей с уникальными QID-идентификаторами, лицензия CC0. Используется поисковиками, AI-системами и крупными библиотеками для построения связных данных.

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