Prezentace z konference Digitálna knižnica 2015

1. Webarchiv
památník českého internetu, více

2. Jsme Webarchiv
digitální knihovna,
která uchovává webové zdroje
pro budoucí generace.
www
Pokud je nebudeme průběžně
archivovat, zmizí významná
součást národního
kulturního dědictví.

3. Jak archivujeme?
Provádíme kompletní archivaci
“celého” českého webu.
W
W
W
W
W
W
W
W
Souběžně probíhá výběrová
a tematická archivace.

4. Bohužel!
Ne všechna data jsou
dostupná online. w
Může za to současná podoba
autorského zákona, která byla vytvořena
pro knihy. Pro přístup k celému archivu
musíte prozatím až k nám.

5. Bude možné studovat 90. léta a dál bez webových archivů?

6. Webový archiv Živý web

13. není to málo?

14. data
• ~ 228 TB
• ~ 6 miliard digitálních objektů / URL
• ~ 1,2 miliónu domén druhého řádu / doména.cz

15. méně jak 1 % je volně přístupné

16. metadata
• formát souboru
• odkazy
• typ dokumentu
• entity v textu
• klíčová slova
• etc.

17. miluj výzkumníka svého

21. API pro metadata
• URL digitálního objektu
• Čas archivace URL
• Velikost souboru
• SHA-1 kontrolní součet souboru
• MIME type souboru dle tvrzení HTTP serveru
• Titul dokumentu nebo celého webu
• Autor dokumentu

22. 228 TB
• při čtení 80 MB/s
• ~ 32 dní jen pro přečtení všech dat z disků

24. Zpracování archivu
• Formátové
• Textové
• Obrazové
• Zvukové

25. API pro všechny metadata

26. Fulltextové vyhledávání
• PageRank nepočítá s časovým aspektem webu
• Kvalitní vyhledávání potřebuje analytické informace

29. Co nám v archivu chybí

35. Co webové archivy již nezvládnou

38. w
w w
w w w
Děkujeme za pozornost!
Jaroslav Kvasnica
Rudolf Kreibich
webarchiv.cz
facebook.com/webarchivcr
slideshare.net/webarchivCZ