Arquivo da web

Da Wikipédia, a enciclopédia livre

O arquivamento na web se refere à coleta e ao arquivamento permanente de publicações online com o objetivo de oferecer ao público e à ciência um vislumbre do passado no futuro. O resultado do processo é um arquivo da web .

A maior instalação internacional de arquivamento da web é o Internet Archive em São Francisco (EUA), que se vê como o arquivo de toda a World Wide Web. Arquivos estaduais e bibliotecas em muitos países estão fazendo esforços para proteger os registros da rede em sua área.

A partir de 1987, as leis de arquivo alemãs definiram o arquivamento de documentos digitais como uma tarefa obrigatória dos arquivos estaduais, mas a implementação desse mandato está apenas começando. Em 2006, a DNBG (Lei da Biblioteca Nacional Alemã) foi aprovada, que estende o mandato da Biblioteca Nacional Alemã para incluir o arquivamento de sites. Os estados federais estão planejando mudar seu depósito legal - Gesetze neste sentido, ou a mudança já ocorreu.

Alvos de arquivamento

O objetivo do arquivamento na web é mapear sistematicamente uma seção definida de presenças na web disponíveis na Internet. Para tanto, uma política de cobrança abrangente, um procedimento de seleção e a frequência de arquivamento devem ser previamente esclarecidos.

Um site arquivado com todas as funções multimídia ( código HTML , folhas de estilo , JavaScript , imagens e vídeo) deve ser preservado a longo prazo. Metadados como proveniência , tempo de aquisição, tipo MIME e escopo dos dados são usados ​​para subsequente descrição, uso e preservação . Os metadados garantem a autenticidade e integridade do material de arquivo digital.

Após a aquisição, devem ser tomadas precauções técnicas e legais para garantir a acessibilidade constante do público e para evitar alterações posteriores ao material de arquivo.

Terminologia

Recurso original
Uma fonte original que está ou deveria estar disponível na Internet e para a qual o acesso a um estado anterior é necessário.
Lembrança
Um memento de uma fonte original é um recurso que encapsula o estado original de uma fonte em um ponto definido no tempo.
TimeGate
Um TimeGate é um recurso que, com base em uma determinada data e hora, encontra o memento que melhor corresponde a esse limite de tempo.
TimeMap
Um TimeMap é um recurso que produz uma lista de todas as lembranças que já foram criadas para a fonte original.

Processo de seleção

Inespecífico
Nesse processo de seleção, um domínio inteiro é gradualmente gravado em um arquivo. Devido ao grande requisito de memória, o procedimento só funciona para domínios menores (netarkivet.dk).
lista de escolhas
Uma lista de instituições é determinada com antecedência. A estabilidade dos URLs associados às instituições deve ser verificada regularmente.
Uso de estatísticas de acesso
No futuro, é concebível a coleta “inteligente” que, com base nas contagens de acesso, arquive aquelas partes da web (ou uma seleção) que têm taxas de acesso particularmente altas.

Métodos de Adoção

Colheita remota

O método de arquivamento mais comum é usar um rastreador da web . Um rastreador da web recupera o conteúdo de um site como um usuário humano e grava os resultados em um objeto de arquivo. Mais precisamente, trata-se de uma pesquisa recursiva de sites a partir dos links neles encontrados, a partir de uma determinada área de partida, que pode ser um site ou uma lista de sites a serem pesquisados. Devido a limitações quantitativas, por exemplo , devido à duração ou espaço de armazenamento, várias restrições (condições de rescisão) no que diz respeito à profundidade, domínio e os tipos de arquivos a serem arquivados são possíveis.

Em projetos maiores, a avaliação de sites para classificação de URL é de particular importância. No decorrer de um processo de rastreamento, um grande número de endereços da web pode se acumular, os quais são processados ​​em uma lista usando o método FIFO ou como uma fila prioritária . No último caso, os sites podem ser imaginados em uma estrutura de heap. Cada site em si forma seu próprio heap e cada link para outro site encontrado nele forma um subheap que representa um elemento no heap do site anterior. Isso também tem a vantagem de que, no caso de uma lista de URLs estourada, aqueles com a prioridade mais baixa são substituídos por novas entradas primeiro.

No entanto, a estrutura inicial no servidor raramente pode ser reproduzida exatamente no arquivo. Para poder eliminar eventuais problemas técnicos que possam surgir no período de preparação para o espelhamento, é aconselhável fazer uma análise prévia do site. Embora isso duplique o tráfego de dados na maioria dos casos, reduz consideravelmente o tempo de trabalho no caso de um erro.

Exemplos de rastreadores da web são:

  • Heritrix
  • HTTrack
  • Explorador Offline

Arquivando a Web Oculta

A web oculta ou deep web refere-se a bancos de dados que geralmente representam o conteúdo real de um site e são produzidos apenas mediante solicitação de um usuário. Esta é outra razão pela qual a web está constantemente mudando e parece ter um tamanho infinito. Uma interface que se baseia principalmente em XML é necessária para assumir o controle desses bancos de dados . Para tal acesso foram desenvolvidas as ferramentas DeepArc ( Bibliothèque nationale de France ) e Xinq ( National Library of Australia ).

Arquivo transacional

Este procedimento é usado para arquivar os resultados de um processo de uso de um site. É importante para instalações que tenham que fornecer evidências de seu uso por motivos legais. O pré-requisito é a instalação de um programa adicional no servidor web.

Arquivo da web na Alemanha

No nível federal, a Biblioteca Nacional Alemã (DNB) tem o mandato legal para arquivamento da web desde 2006. Desde 2012, os sites são arquivados por tema e para determinados eventos, ou seja, seletivamente e não na íntegra. O DNB trabalha com um provedor de serviços externo. Além disso, todos os domínios DE foram rastreados uma vez em 2014 . O arquivo da web é acessado principalmente nas salas de leitura.

Além do arquivamento do DNB na web, existem iniciativas em vários estados federais:

Existem também outras iniciativas de arquivamento da web na Alemanha, por exemplo, de fundações afiliadas a partidos, da SWR , da Deutsche Post ou da empresa de biotecnologia / farmacêutica AbbVie .

Veja também

Implementações

Links da web

Evidência individual

  1. Steffen Fritz: Reescrevendo a história. (PDF) com arquivos WARC. Janeiro de 2016, arquivado do original em 9 de novembro de 2017 ; acessado em 9 de novembro de 2017 .
  2. a b c d RfC 7089 HTTP Framework para acesso baseado no tempo a estados de recursos - Memento
  3. a b c d Guia do Memento: Introdução. Recuperado em 5 de outubro de 2018 .
  4. Steffen Fritz: Relatório prático: Procedimento para avaliar a arquivabilidade de objetos da web In: ABI Technik No. 2, 2015, pp. 117–120. doi: 10.1515 / abitech-2015-0015
  5. Tobias Steinke: Arquivando a Internet alemã? Entre uma abordagem seletiva e o rastreamento de domínio .de . Biblioteca Nacional da Alemanha, 26 de junho de 2014 ( dnb.de [PDF]).
  6. ^ Felix Geisler, Wiebke Dannehl, Christian Keitel, Stefan Wolf: Sobre o status do arquivamento da web em Baden-Württemberg . In: Serviço de Biblioteca . fita 51 ,  6 , 1 de junho de 2017, ISSN  2194-9646 , p. 481-489 , doi : 10.1515 / bd-2017 a 0051 ( degruyter.com [acessado em 24 de março de 2020]).
  7. Tobias Beinert: Arquivo da Web na Bayerische Staatsbibliothek . In: Serviço de Biblioteca . fita 51 ,  6 , 1 de junho de 2017, ISSN  2194-9646 , p. 490-499 , doi : 10.1515 / bd-2017-0052 ( degruyter.com [acessado em 24 de março de 2020]).
  8. ↑ Arquivo de fluxo de trabalho da web em arquivamento de longo prazo na Bayerische Staatsbibliothek | BABS. Recuperado em 24 de março de 2020 .
  9. Edoweb: servidor de arquivos da Renânia-Palatinado para documentos eletrônicos e sites. Recuperado em 24 de março de 2020 .