داده ساختاریافته چیست و آینده آن در سئو و وب معنایی

پاسخ کوتاه: داده ساختاریافته چیست و چگونه سئو سایت را متحول میکند؟ در این راهنمای جامع با انواع اسکیما، فرمت JSON-LD و وب معنایی کامل آشنا شوید.

داده ساختاریافته شیوه تعامل موتورهای جستجو و هوش مصنوعی با صفحات وب را دگرگون کرده است. در سالهای گذشته موتورهای جستجو فقط به خواندن کلمات کلیدی متن تکیه میکردند. امروز دیگر فهم معنای دقیق پشت کلمات اهمیت اصلی را دارد. الگوریتمهای مدرن به دنبال کشف روابط میان مفاهیم مختلف هستند. داده ساختاریافته همان پلی است که محتوای ساده را به زبانی استاندارد و قابل درک برای ماشینها تبدیل میکند. وقتی اطلاعات سایت خود را با نظمی دقیق مرتب میکنید، موتورهای جستجو موضوع، نویسنده، تاریخ و ویژگیهای خدمات شما را بیهیچ ابهامی درک میکنند.

کلیدنکات داده ساختاریافته در یک نگاه

دنیای وب از اسناد متنی پراکنده به سوی پایگاههای داده متصل و پردازش هوشمند حرکت میکند. برای پیشتاز ماندن در این فضا، باید بدانید چه مدلهایی کهنه شدهاند و چه رویکردهایی آینده را میسازند. نظم دادن به دادهها تنها برای موتورهای جستجو مفید نیست. سیستمهای سازمانی، پایگاههای داده بزرگ و مدلهای زبانی مدرن نیز برای ارائه پاسخ دقیق به دادههای منظم نیاز دارند. ما در این راهنمای جامع به بررسی عمیق اصول داده ساختاریافته، تفاوت آن با اسکیما، معماری پایگاه داده و کاربرد آن در سئو میپردازیم.

فرقی نمیکند یک توسعهدهنده وب باشید یا متخصص بهینهسازی سایت؛ تسلط بر این مفاهیم مزیت رقابتی بزرگی به شما میدهد. در حوزه خدمات حساسی مثل سلامت و پزشکی، دقت انتقال دادهها اهمیت دوچندان پیدا میکند. همراه ما باشید تا گام به گام شیوه بهرهگیری از این فرصت ارزشمند را بررسی کنیم.

داده ساختاریافته چیست و چه تفاوتی با اسکیما دارد؟

داده ساختاریافته به هر نوع اطلاعاتی گفته میشود که در قالبی استاندارد، با ساختار مشخص و مدل از پیش تعیینشده ذخیره یا نشانهگذاری میشود. این مدل از دادهها جدولبندی منظم، فیلدهای مشخص و روابط روشن دارند. در نتیجه ماشینها، الگوریتمهای هوش مصنوعی و نرمفزارها بدون ابهام آنها را پردازش میکنند. وقتی صحبت از وب میشود، این دادهها زمینه مفهومی محتوا را به کدهای قابل فهم تبدیل میکنند. متادیتا یا فراداده نقش کلیدی در این فرایند بازی میکند؛. زیرا درباره هویت و جزئیات سایر دادهها توضیح میدهد. به این ترتیب سیستمها متوجه میشوند که یک عدد، قیمت محصول است یا تاریخ انتشار یک مقاله علمی.

تعریف داده ساختاریافته و ویژگیهای بنیادین

داده ساختاریافته دارای چند ویژگی بنیادین است که آن را از متنهای ساده جدا میکند. نخستین ویژگی، برخورداری از یک طرح واره یا مدل از پیش تعریف شده است. هر فیلد درون این دادهها نوع مشخصی مثل متن، عدد یا تاریخ دارد. داده ساختاریافته قابلیت جستجوی بسیار سریع و بدون خطا دارد. رایانه‌ها این داده‌ها را به آسانی دسته‌بندی و تحلیل میکنند. پردازش آنها بسیار سریع است.

در پایگاههای داده سنتی، جدولها بهترین نمونه از داده ساختاریافته به شمار میروند. هر سطر نشانگر یک رکورد است و هر ستون یک صفت خاص را توصیف میکند. همین نظم بالا باعث میشود الگوریتمهای خودکار بدون نیاز به حدس زدن، مقادیر مورد نیاز خود را استخراج کنند. این شفافیت مانع از تفسیر اشتباه اطلاعات میشود.

تفاوت کلیدی میان ساختار داده و واژگان Schema

آیا اسکیما همان داده ساختاریافته است؟ بسیاری از افراد این دو مفهوم را اشتباه میگیرند. داده ساختاریافته یک مفهوم کلی در علم داده است که به سازماندهی منظم اطلاعات اشاره میکند. در مقابل، واژگان Schema.org یک زبان و فرهنگ لغت استاندارد و مشترک است. این دایره واژگان را غولهای جستجو مانند گوگل و مایکروسافت پایهگذاری کردهاند تا نام فیلدها و موجودیتها در سراسر وب یکپارچه شود.

اسکیما به شما میگوید برای مشخص کردن نام نویسنده از چه واژهای استفاده کنید. داده ساختاریافته شیوه و قالب فنی پیادهسازی آن مفهوم را در بر میگیرد. اسکیما دایره لغات است و ساختار داده، دستور زبان به شمار میرود. درک این مرزبندی به شما کمک میکند تا استراتژی محتوایی و تکنیکال خود را با استاندارد جهانی پیش ببرید.

انواع داده در مهندسی داده؛ جدول مقایسه جامع

در مهندسی داده، اطلاعات بر اساس نحوه ذخیرهسازی و سطح سازمانیافتگی به سه دسته کلی ساختاریافته، نیمهساختاریافته و غیرساختاریافته تقسیم میشوند. دادههای غیرساختاریافته بیش از هشتاد درصد از کل اطلاعات تولیدشده در جهان را تشکیل میدهند؛ مانند فایل صوتی، ویدیو و متنهای آزاد وبلاگی. دادههای نیمهساختاریافته دارای برچسبهای توصیفی هستند. اما جدول سنتی ندارند؛ فایلهای JSON و XML در این دسته قرار میگیرند. داده ساختاریافته نیز بیشترین نظم و پایینترین انعطاف در تغییر مدل اولیه را به همراه دارد. انتخاب میان این مدلها سرعت، هزینه ذخیرهسازی و ظرفیت مقیاسپذیری سیستمهای شما را تعیین میکند.

دسته بندی سه گانه داده‌ها بر پایه مدل ذخیره سازی

شناخت دقیق این سه دسته برای انتخاب زیرساخت مناسب ضروری است. دادههای بدون ساختار معمولا حجم فراوانی دارند و تحلیل آنها نیازمند پردازش زبان طبیعی و ابزارهای بینایی ماشین است. استخراج الگو از فایلهای پی دی اف یا دستنوشتهها نیازمند صرف منابع پردازشی چشمگیر خواهد بود. این کار زمانبر است.

دادههای نیمهساختاریافته پلی میان دنیای سنتی و مدرن ایجاد میکنند. آنها با فایلهایی مانند فرمتهای وب تبادل اطلاعات را میان سیستمهای مختلف آسان میسازند. شما بدون نیاز به تغییر در کل دیتابیس، میتوانید فیلدهای جدیدی به پرونده یک کاربر یا محصول اضافه کنید.

مقایسه داده ساختاریافته، نیمه ساختاریافته و غیرساختاریافته

برای مقایسه دقیقتر ویژگیهای فنی و کاربردی هر مدل داده، جدول زیر شاخصهای کلیدی آنها را نمایش میدهد:

مدیریت داده ساختاریافته تضمینکننده سرعت کوئریزنی و گزارشگیریهای فوری است. این ساختارها برای برنامههای مالی، انبارداری و پروندههای آزمایشگاهی بیبدیل هستند. هرچند توسعه مدل اولیه آنها زمانبر خواهد بود، اما دقت خروجی بسیار بالایی به همراه دارند.

زیرساخت‌های ذخیره سازی و معماری داده‌های مدرن

معماری دادههای مدرن نیازمند انتخاب زیرساخت متناسب با نوع دادههای ورودی است. سیستمهای مدیریت پایگاه داده رابطه‌ای (RDBMS) مانند PostgreSQL و MySQL ستون فقرات داده ساختاریافته به شمار میروند و از اصول تراکنشهای ایمن (ACID) پیروی میکنند. در نقطه مقابل، پایگاههای داده NoSQL نظیر MongoDB برای نگهداری اسناد نیمهساختاریافته طراحی شدهاند. در مقیاس کلان سازمانی، انباره داده (Data Warehouse) دادههای ساختارمند و پالایششده را برای تحلیل تجاری ذخیره میکند؛. در حالی که دریاچه داده (Data Lake) به عنوان مخزنی عظیم برای ورود انواع داده خام و بدون پردازش به کار میرود.

پایگاه داده‌های رابطه‌ای (RDBMS) در برابر دیتابیس‌های NoSQL

پایگاههای داده رابطهای از جدولها، کلیدهای اصلی و روابط منطقی برای نگهداری داده ساختاریافته استفاده میکنند. این سیستمها برای کاربردهایی که نیازمند دقت صددرصدی و جامعیت هستند بهترین انتخابند. هیچ داده متناقضی نمیتواند ساختار سفت و سخت این جداول را بشکند. این ابزارها پایدار هستند.

پایگاههای داده NoSQL برای توسعه چابک برنامههای وب و موبایل محبوبیت بالایی دارند. وقتی اطلاعات ورودی شما ساختار ثابتی ندارد، دیتابیسهای سندمحور انعطاف بالایی به همراه میآورند. توسعهدهندگان میتوانند بدون ایجاد تغییرات پیچیده در ساختار سرور، سیستمهای خود را بر پایه فرمتهای جدید ارتقا دهند.

انباره داده (Data Warehouse) در تقابل با دریاچه داده (Data Lake)

انباره داده با پردازشهای تحلیلی سریع، بستری ویژه برای تصمیمگیری مدیران کسبوکارها فراهم میآورد. این مخازن فقط داده ساختاریافته و تمیز را میپذیرند تا گزارشهای هوش تجاری در کسری از ثانیه تولید شوند. همه چیز از قبل پاکسازی میشود.

دریاچه داده رویکردی کاملا متفاوت در پیش میگیرد. تمام اطلاعات متنی، لاگها، تصاویر و فایلهای ویدیویی مستقیما درون دریاچه داده بارگذاری میشوند. تحلیلگران علم داده در مراحل بعدی با پایپلاینهای تخصصی، اطلاعات مورد نیاز خود را استخراج و ساختاربندی میکنند.

وب معنایی و پیوند داده‌ها با گراف دانش گوگل

وب معنایی (Semantic Web) چشم‌اندازی نوین برای تبدیل وب از اسناد متنی مجزا به شبکه‌ای عظیم از داده‌های پیوندیافته (Linked Data) است. تیم برنرزلی، خالق وب، این مفهوم را برای فهمپذیر کردن اطلاعات برای ماشینها بنیان نهاد. موتور جستجوی گوگل با استفاده از داده ساختاریافته، موجودیتها (Entities) را از کلمات ساده تفکیک میکند و گراف دانش گوگل (Google Knowledge Graph) را گسترش میدهد. در این فضا، روابط میان اشخاص، مکانها، رویدادها و سازمانها مدلسازی میشوند؛. در نتیجه هوش مصنوعی گوگل مفاهیم را مانند یک انسان درک میکند.

مفهوم وب معنایی (Semantic Web) و ارتقای درک ماشین

وب سنتی بر پایه پیوند میان صفحات متنی کار میکرد. کاربر روی یک لینک کلیک میکرد و صفحه دیگری باز میشد. اما ماشین متوجه نمیشد که محتوای آن صفحه درباره یک پزشک، یک شهر یا یک دارو است. وب معنایی به محتوا ساختار مفهومی تزریق میکند.

با اجرای داده ساختاریافته روی کدهای سایت، وب معنایی محقق میشود. ماشینها پی میبرند که این کلمات چه هویتی دارند. هوش مصنوعی بدون نیاز به تحلیل طولانی متن، پیام اصلی را دریافت میکند. درک محتوا عمیقتر میشود.

نقش انتیتی‌ها در تقویت گراف دانش گوگل (Knowledge Graph)

گراف دانش گوگل پایگاه داده هوشمندی است که موجودیتهای واقعی جهان را همراه با ویژگیها و روابطشان ترسیم میکند. وقتی نام یک دانشمند یا برند معروف را جستجو میکنید، یک کادر اطلاعاتی کامل در کنار صفحه ظاهر میشود. این همان پنل دانش است.

با پیادهسازی دقیق داده ساختاریافته، سایت خود را مستقیما به گراف دانش متصل میکنید. موتور جستجو یاد میگیرد که کسبوکار شما چه خدماتی ارائه میدهد و چه کسانی در آن فعالیت دارند. این رویکرد به مرور زمان اعتبار دامنه شما را در مباحث تخصصی بالا میبرد.

فرمت‌های پیاده سازی داده ساختاریافته در بستر وب

پیادهسازی کدهای ساختارمند در صفحات وب با سه روش اصلی شامل فرمت استاندارد JSON-LD، میکرودیتا و RDFa (Microdata & RDFa) امکانپذیر است. در گذشته توسعهدهندگان مجبور بودند ویژگیهای اسکیما را به شکل درونخطی لابلای تگهای HTML قرار دهند که پیچیدگی ویرایش کدها را بالا میبرد. امروزه گوگل فرمت استاندارد JSON-LD را به عنوان گزینه ارجح و قطعی معرفی میکند. این شیوه نوین کدها را درون یک بلاک مجزا درون بخش سربرگ یا انتهای صفحه مستقر میسازد و از بههمریختگی کدهای ظاهری سایت جلوگیری میکند.

برتری استاندارد JSON-LD نسبت به میکرودیتا و RDFa

فرمت JSON-LD یک روش کامپکت و خوانا بر پایه جاوااسکریپت برای نشانهگذاری داده ساختاریافته است. در روش میکرودیتا و RDFa شما مجبور بودید ویژگیهای اسکیما را در متن کدهای بخش بدنه سایت ادغام کنید. این کار نگهداری سایت را بسیار دشوار میکرد.

استفاده از فرمت استاندارد JSON-LD سرعت توسعه را به شدت بالا میبرد. توسعهدهندگان میتوانند بدون دست زدن به طراحی قالب، اسکریپتهای اسکیما را به هر صفحهای اضافه کنند. ساختار کدهای این فرمت تمیز، ساده و بدون ابهام است. عیبیابی کدها سریع انجام میشود.

روش پیاده سازی کدهای نشانه گذاری بر پایه دایره واژگان Schema.org

برای پیادهسازی داده ساختاریافته به کمک واژگان Schema.org، ابتدا نوع موجودیت صفحه خود را مشخص کنید. سپس ویژگیهای الزامی را درون یک اسکریپت جاوااسکریپتی با نوع لایهبندی مربوطه بنویسید. کد زیر یک نمونه عملی از اسکیما برای تعریف یک مرکز درمانی است:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "MedicalBusiness",
  "name": "Sepand Medical Laboratory",
  "url": "https://example.com",
  "description": "ارائه خدمات آزمایشگاهی، پاتولوژی و ژنتیک با دستگاه های مدرن",
  "address": {
    "@type": "PostalAddress",
    "addressLocality": "Tehran",
    "addressCountry": "IR"
  }
}
</script>

این کد ساختارمند هویت مرکز را برای رباتهای خزشگر کاملا شفاف میسازد. دیگر نیازی به حدس زدن حوزه فعالیت صفحه وجود ندارد. موتور جستجو نشانی، نام و خدمات را بلافاصله شناسایی میکند.

مهم‌ترین اسکیماهای کاربردی و تاثیر آن‌ها بر سئو

پیادهسازی نشانه‌گذاریهای کاربردی مستقیما محتوای سایت شما را با المانهای جذاب در نتایج گوگل همراه میکند. اسکیماهای متنوعی برای اهداف مختلف طراحی شدهاند که انواع اسکیماهای پرکاربرد (Article, FAQ, Product, Organization) در صدر آنها قرار دارند. با درج این کدها، صفحات سایت شانس دریافت نتایج غنی یا ریچ اسنیپت (Rich Snippets) نظیر رتبه‌بندی ستاره‌ای، بخش سوالات متداول و وضعیت موجودی محصول را کسب میکنند. اگرچه استفاده از داده ساختاریافته فاکتور مستقیم رتبهبندی محسوب نمیشود. اما با افزایش نرخ کلیک (CTR) ارگانیک ترافیک سایت را به شدت افزایش میدهد.

انواع نشانه گذاری‌های حیاتی (Article, FAQ, Product, Organization)

نشانهگذاری Organization هویت کلی شرکت، لوگو و راههای ارتباطی رسمی برند شما را در وب تثبیت میکند. این اسکیما برای اعتمادسازی و ورود به گراف دانش ضروری است. اسکیمای Article برای وبلاگها و سایتهای خبری طراحی شده و تاریخ بازنگری و نام نویسنده را به موتورهای جستجو گزارش میدهد.

اسکیمای Product با نمایش ستارههای امتیازدهی و وضعیت قیمت، نرخ کلیک فروشگاههای اینترنتی را به شدت متحول میسازد. همچنین اسکیمای FAQ پرسشها و پاسخهای کلیدی مخاطبان را در زیر عنوان شما در صفحه نتایج جستجو میآورد. این فضای اضافی توجه کاربران را جلب میکند. کلیکها بیشتر میشوند.

پاسخ به ابهام تاثیر مستقیم اسکیما بر رتبه بندی نتایج

آیا درج داده ساختاریافته به تنهایی رتبه سایت شما را یکباره بالا میبرد؟ خیر، گوگل به صراحت اعلام کرده که اسکیما یک سیگنال مستقیم رتبه‌بندی نیست. اما وقتی کاربر پاسخ سوال خود را به زیبایی در نتایج غنی میبیند، تمایل بیشتری برای کلیک روی سایت شما نشان میدهد.

این افزایش نرخ کلیک ارگانیک، سیگنالهای رفتاری مثبتی به الگوریتمهای گوگل مخابره میکند. رباتها به درک کاملتری از کیفیت صفحه شما دست مییابند. بنابراین تاثیر غیرمستقیم آن بر ارتقای رتبهها چشمگیر و قطعی است.

اعتبارسنجی و نحوه تست صحت کدهای اسکیما

اعتبارسنجی کدهای نشانه‌گذاری بخش جدایی‌ناپذیر سئوی فنی است؛. زیرا یک خطای کوچک نحوی می‌تواند کل اسکریپت را بیاثر کند. برای راستیآزمایی دقیق باید از ابزار تست نتایج غنی (Rich Results Test) گوگل استفاده کرد. این پلتفرم آنلاین نحوه نمایش کدهای اسکیما در نتایج جستجو و خطاهای مربوط به فیلدهای اجباری را بررسی میکند. علاوه بر آن، بخش گزارشهای بهینهسازی (Enhancements) در سرچ کنسول گوگل، خطاهای بحرانی (Critical) و هشدارهای غیربحرانی صفحات فعال شما را پایش میکند تا به سرعت آنها را برطرف سازید.

راهنمای جامع کار با ابزار Rich Results Test گوگل

برای بررسی کدهای خود وارد ابزار تست نتایج غنی گوگل شوید. شما میتوانید آدرس اینترنتی صفحه یا تکه کد JSON-LD را مستقیما درون کادر بررسی قرار دهید. پس از زدن دکمه تست، ابزار تمام داده ساختاریافته موجود در صفحه را تحلیل میکند.

در صورت وجود مشکل، خطاهای نحوی با رنگ قرمز به شما نشان داده میشوند. هشدارهای زردرنگ نیز فیلدهای اختیاری را یادآوری میکنند. پر کردن فیلدهای اختیاری کیفیت اسکیما را بالاتر میبرد. اصلاح خطاها ساده است.

پایش خطاها و هشدارهای ساختاری در سرچ کنسول

سرچ کنسول گوگل پس از خزش صفحات، گزارشهای اختصاصی برای هر نوع داده ساختاریافته نمایش میدهد. بخش مربوط به فیدبکهای اسکیما هرگونه افت ناگهانی در شناسایی صفحات ساختارمند را هشدار میدهد.

اگر یکی از فیلدهای الزامی در تم سایت حذف شود، سرچ کنسول بلافاصله خطای بحرانی ثبت میکند. شما با رفع ایراد فنی و فشردن دکمه Validate Fix به گوگل اطلاع میدهید که صفحات بازبینی مجدد شوند. سلامت کدهای سایت باید همیشگی باشد.

تبدیل داده‌های خام به فرمت ساختاریافته با هوش مصنوعی و ETL

سازمانها روزانه با حجم انبوهی از متون آزاد و اطلاعات ثبتنشده مواجه میشوند که بدون پردازش عملا بیارزش هستند. فرایند خطوط لوله ETL (شامل استخراج، تبدیل و بارگذاری) دادههای پراکنده را تمیز میکند و در قالب داده ساختاریافته به مخازن تحلیلی میفرستد. امروزه مدلهای زبانی بزرگ (LLMs) و پردازش زبان طبیعی (NLP) تحولی بنیادین در این مسیر رقم زدهاند. با استفاده از هوش مصنوعی مولد میتوان مقالات طولانی، گزارشهای بالینی و ایمیلها را به طور خودکار به داده ساختاریافته با فرمت استاندارد JSON-LD تبدیل کرد.

فرآیند خطوط لوله ETL در سازمان دهی کلان داده‌ها

فرایند خط لوله داده با گام استخراج (Extract) آغاز میشود و اطلاعات خام را از منابع چندگانه جمع میآورد. در مرحله بعد یعنی تبدیل (Transform)، دادهها فیلتر، اعتبارسنجی و تبدیل به فرمت استاندارد میشوند. این مرحله دادههای غلط را پاک میکند.

در نهایت، در گام بارگذاری (Load)، داده ساختاریافته نهایی وارد انباره داده یا پایگاههای رابطهای میشود. این نظمدهی مداوم به مدیران کسبوکارها اجازه میدهد تصمیماتی دقیق و مبتنی بر شواهد بگیرند. مدیریت داده شفاف میشود.

نقش مدل‌های زبانی بزرگ (LLMs) و NLP در استخراج خودکار الگوها

مدلهای زبانی نوین میتوانند متون آزاد را بخوانند و فیلدهای کلیدی را با دقت بسیار بالا تفکیک کنند. برای نمونه، هوش مصنوعی خلاصهای از گزارشهای تشخیصی را میخواند و متغیرها را در جدولهای منظم میچیند. این فرایند خودکار هزاران ساعت کار یدی را کاهش میدهد.

در محیط وب نیز میتوان با ابزارهای خودکار، اسکیمای دقیق هر محتوا را به سرعت تولید کرد. الگوریتمهای یادگیری ماشین قادرند محتوا را شناسایی کرده و واژگان استاندارد مربوط به آن را بدون دخالت انسان استخراج کنند. کارایی فرایندها چند برابر میشود.

استفاده از چنین سیستمهای پیشرفتهای در مدیریت خدمات سلامت نیز انقلابی بزرگ رقم زده است. این مرکز مدرن با فراهم کردن خدمات نمونهگیری در منزل و تحویل آنلاین جواب آزمایشها، تجربه مراجعین را بهبود بخشیده است. بیماران بدون اتلاف وقت میتوانند نوبت خود را آنلاین ثبت کنند و از خدمات تشخیصی باکیفیت بهره ببرند.

جمع بندی: نقشه راه استفاده از کدهای ساختارمند

این مورد دیگر یک ابزار اختیاری نیست، بلکه ستون فقرات حضور موفق در دنیای وب معنایی و هوش مصنوعی به شمار میرود. در این راهنما دیدیم که چگونه ساختاردهی به دادهها به الگوریتمهای جستجو کمک میکند تا مفاهیم را بیهیچ ابهامی کشف کنند. با استفاده از فرمت استاندارد JSON-LD و پیادهسازی انواع اسکیماهای کاربردی مانند Article و FAQ، شانس دریافت نتایج غنی به شدت افزایش مییابد. اعتبارسنجی منظم کدها با ابزار تست نتایج غنی گوگل سلامت فنی سایت شما را تضمین میکند. این فرصت را دستکم نگیرید.

توصیه میکنیم همین امروز کدهای نشانه‌گذاری صفحات اصلی سایت خود را بازبینی کنید. از واژگان استاندارد استفاده کنید و مطمئن شوید که فیلدهای مهم بدون نقص پیاده شدهاند. همچنین با بهرهگیری از هوش مصنوعی و فرایندهای خودکارسازی، تبدیل متون به آن را شتاب دهید. این اقدام پایهای نه تنها باعث جهش نرخ کلیک و سئوی سایت شما میشود، بلکه سازمان شما را برای تعامل با نسل بعدی هوش مصنوعی و گرافهای دانش آماده نگه میدارد.

منابع

• https://schema.org
• سازمان دهی کلان