scholarly-metadata
dblp (CS bibliography)
Курируемая библиография по компьютерным наукам, индексирующая около семи миллионов публикаций из журналов и конференций этой области с тщательно выверенными записями об авторах. Искать можно на dblp.org или через бесплатный API. Охват строго ограничен компьютерными науками, но внутри этой области это часто самый чистый и надёжный источник сведений о том, кто, что, где и когда опубликовал.
Чем полезен и как работает
dblp выделяется среди универсальных научных индексов тем, что курируется вручную и с большой тщательностью именно для области компьютерных наук: записи об авторах разведены по однофамильцам, а охват конференций и журналов аккуратно поддерживается. Если нужен надёжный и чистый перечень публикаций исследователя в области компьютерных наук или требуется найти всё, что опубликовано на конкретной конференции или в конкретном журнале, dblp обычно заслуживает большего доверия, чем более крупный, но менее курируемый индекс. Искать можно по автору, названию или площадке на dblp.org либо получать структурированные данные в форматах JSON, XML или BibTeX через бесплатный API. Тематический охват строго ограничен компьютерными науками.
Что внутри
Более восьми миллионов публикаций проиндексировано по состоянию на 2025 год; источники: тысячи журналов и сборников трудов конференций по компьютерным наукам, а также тщательно поддерживаемые авторские страницы более чем трёх миллионов исследователей.
Доступ по API
https://dblp.org/search/publ/api?q=...&format=json ; SPARQL https://sparql.dblp.org/sparql
Что мы измерили
Наши собственные замеры, а не заявления архива. Перепроверяются периодически; у каждого показателя стоит дата.
Доступность
- Прямой запрос
- Ответил HTTP 200 13,6 с
- Через датацентр-прокси
- Ответил HTTP 200 7,2 с
- API, напрямую
- Ответил HTTP 200 2,5 с
- API, через прокси
- Ответил HTTP 200 3,3 с
Вернул ли реальный поиск хоть что-то?
Вернул результаты · 10 результатов на тестовый запрос · медиана 2,1 с · стабильно от прогона к прогону
Тестовый запрос: An enhanced deep learning framework for DeepFake detection using EfficientNet-B3 comparative evaluation of deep and machine learning techniques.
Покрытие на бенчмарке
Нашёл 8 из 9 тестовых объектов (89%) в кластере Научные статьи. Медиана ответа 2,1 с.
По известности объекта: 3/3 широко известных, 3/4 средних, 2/2 малоизвестных .
Пример найденного: Determining the impacts of climate change and human activities on vegetation change on the Chinese Loess Plateau conside
Доступность измерена 2026-08-22. Поиск проверен 2026-08-22. Прогон бенчмарка 2026-08-22.
Доступ
Программный доступ через API (может потребоваться ключ, см. метку API).