Úvodní prezentace o českém webovém archivu

1. Webarchiv
Český webový archiv, více

2. 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

3. Profil archivu
• stáří archivu: 3. 9. 2001
• ~ 350 TB
• narůst: 30 - 50 TB / rok
• hloubka sklízení: 5000 - 15 000 objektů/doména

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

5. Celoplošné sklízení
Všechny webové stránky zveřejněné na .cz doméně
• Semínka nevybírají kurátoři
• Důraz na kvantitu -> co nejvíc, co nejrychleji a hlavně
automatizovaně
• smlouva s CZ.NIC
• dvakrát za rok sklizeň celé .cz domény
• menší hloubka, časově a objemově náročné

6. Výběrové sklízení
Výběrová sklizeň pokrývá pouze vybrané zdroje, ale na
rozdíl od celoplošných sklizní je kladen důraz na zachycení
zdroje a jeho změn v celém rozsahu.
• Semínka připravují kurátoři
• Důraz na kvalitu: obsahovou, technickou (QA)
• na základě tématu, události
• katalogizace zdrojů se souhlasem

7. Tematické kolekce
Tematické kolekce jsou sbírky archivovaných zdrojů
vztahující se k určitému tématu nebo události.
• Mohou být vytvářeny za účelem:
• zachycení událostí, které mají širší ohlas v prostředí
internetu
• archivace konkrétního tématu, oboru nebo významné
historické události
• Něco mezi celoplošnou a výběrovou sklizní

8. 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.

9. • 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.”

10. 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

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

12. 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

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

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