Prezentace z Bloku expertů na Kabinetu informačních studií a knihovnictví v Brně z 27. dubna 2017

1. Český webový archiv
aneb Webarchiv jako pamatník českého internetu
Jaroslav Kvasnica

2. Webová archivace
“Web archiving is the process of collecting portions of the
World Wide Web to ensure the information is preserved in
an archive for future researchers, historians, and the
public.”

4. Co stojí za to archivovat?
“more is more, less is less”
vs.
“hoarding is not a strategy”

5. Co stojí za to archivovat?
• V dnešní době můžeme jen hádat.
• Lidstvo nikdy nedokáže kategorizovat všechna data na
světě.

6. Základní typologie akvizice
celoplošné sklízení
kvantita > kvalita
výběrové sklízení
kvalita > kvantita

7. Celoplošné sklízení
1. všechno, celý web (Internet Archive)
2. předem definovaná část webu (národní web, TLD)
• Semínka nevybírají kurátoři
• Důraz na kvantitu -> co nejvíc, co nejrychleji a hlavně
automatizovaně
• nutnost definovat výsek, který chceme sklízet (všichni
nemůžou být IA)

8. Výběrové sklízení
• Semínka připravují kurátoři
• Důraz na kvalitu: obsahovou, technickou (QA)
• na základě tématu, události

9. IIPC collaborative collection
Europan Refugee Crisis, World War I.
https://archive-it.org/home/IIPC
Nový projekt: Online News Around the World

10. Instantní archivace
• news, social media
• technicky náročné (výpočetní výkon, nárok na kurátory)
• RSS
• často je aplikovaná při zvláštních událostech

11. instantní archivace - příklady
“(…) a Ukrainian separatist leader also known as
Strelkov, or someone acting on his behalf, posted a
message on VKontakte, a Russian social-media site:
“We just downed a plane, an AN-26.” (An Antonov 26 is
a Soviet-built military cargo plane.) The post includes
links to video of the wreckage of a plane; it appears to
be a Boeing 777. (…)”
http://www.newyorker.com/magazine/2015/01/26/cobweb

13. Social media
• všichni chtějí, ale nikdo to pořádně neumí = problém
• individuální nastavení pro každou službu
• technicky náročné
• podobná situace i pro digitální knihovny, databáze atd.

14. Webarchiv
Český webový archiv, více

15. Historie Webarchivu
• 2000 - začátek (jako projekt NK ČR, MZK a MU ČR)
• 2001 - první archivované webové stránky
• 2005 - pravidelné sklízení obsahu
• 2007 - vstup do IIPC

16. Profil archivu
• stáří archivu: 3. 9. 2001
• ~ 250 TB
• frekvence sklízení: 1x|2x|6x|12x/rok
• hloubka sklízení: 5000 - 15 000 objektů/doména

17. • robot.txt nerespektujeme
• velké dilema pro webové archivy
• rozhodnutí má zásadní dopady na profil archivu
• “V současnosti standardně soubory robots.txt nezohledňujeme,
jelikož věříme, že historie webu by se měla uchovat v takové podobě,
v jaké ho vidí lidé a ne vyhledávače.”

18. Celoplošné sklizně
• smlouva s CZ.NIC
• dnes ~ 1 300 000 domén
• dvakrát za rok sklizeň celé .cz domény
• menší hloubka, časově a objemově náročné

19. Výběrové sklizně
• manuální práce kurátorů
• “standardní” výběrová sklizeň -> konspekt
• tématické sklizně -> aktuální událost
• kolekce -> společné téma, obor, instituce…

24. Webový archivŽivý web

25. Legislativa
• “povinný výtisk” - zatím neexistuje pro webové zdroje
• Autorský zákon - můžeme vytvářet kopie pro archivní
účely na základě knihovní licence (ne zpřístupňovat)
• online přístup - na základě smluv s vydavateli nebo
Creative Commons licence

27. • méně než 1 % zdrojů zpřístupněných online
• celý archiv dostupný pouze v NK ČR
• Bude to lepší v budoucnu? Ne.
• terminály v dalších knihovnách?
• metadata

28. Designated community
• koncový uživatelé, kteří by měli být schopni porozumět
konkrétní množině informací (OAIS)
• definice uživatelů určuje obsah i jeho formu
1. individuální uživatelé
2. institucionální uživatelé
3. výzkumníci a vědci

29. Mrtvé weby

30. Badatelé
• badatelé nevědí co chtějí
• většinou chtějí přístup ke všemu
• většinou nepotřebují přístup ke všemu
badatelé nepotřebují velké datasety, ale flexibilní delivery
service

31. w
w w
w w w
Děkuji za pozornost!
Mgr. Jaroslav Kvasnica
jaroslav.kvasnica@nkp.cz
www.webarchiv.cz
facebook.com/webarchivcz