Spiegelung - Versionsgeschichte

SteffenFritz: /* Bekannte Probleme */

2014-03-25T12:22:03Z

‎Bekannte Probleme

SteffenFritz: /* Bekannte Probleme */

2014-03-25T12:20:02Z

‎Bekannte Probleme

SteffenFritz: /* Bekannte Probleme */

2014-03-25T12:14:52Z

‎Bekannte Probleme

S.Kuch am 20. März 2014 um 10:54 Uhr

2014-03-20T10:54:48Z

S.Kuch am 20. März 2014 um 10:53 Uhr

2014-03-20T10:53:12Z

S.Kuch am 20. März 2014 um 10:52 Uhr

2014-03-20T10:52:04Z

S.Kuch am 20. März 2014 um 10:50 Uhr

2014-03-20T10:50:02Z

S.Kuch am 20. März 2014 um 10:49 Uhr

2014-03-20T10:49:24Z

S.Kuch am 20. März 2014 um 10:43 Uhr

2014-03-20T10:43:25Z

S.Kuch am 4. Februar 2014 um 12:35 Uhr

2014-02-04T12:35:52Z

@@ Zeile 25: / Zeile 25: @@
 *'''Dynamischer Content:''' Content der dynamisch erzeugt wird, z.B. aus Javascript. Crawler sind dafür ausgelegt Hyperlinks aus HTML-Code zu extrahieren. Befinden sich die Hyperlinks aber beispielsweise in Javascript-Code, so scheitert der Crawler daran.
 *'''Über eine Suche zugänglicher Content:''' jeglicher Content, der nur über eine Eingabe des Nutzers erreicht werden kann, ist für den Crawler unerreichbar. Dies trifft beispielsweise meist auf Archiv-Bereiche, Kalender-Einträge, Login-Bereiche etc. zu.
 ==Ausgabe-Format==

@@ Zeile 25: / Zeile 25: @@
 *'''Dynamischer Content:''' Content der dynamisch erzeugt wird, z.B. aus Javascript. Crawler sind dafür ausgelegt Hyperlinks aus HTML-Code zu extrahieren. Befinden sich die Hyperlinks aber beispielsweise in Javascript-Code, so scheitert der Crawler daran.
 *'''Über eine Suche zugänglicher Content:''' jeglicher Content, der nur über eine Eingabe des Nutzers erreicht werden kann, ist für den Crawler unerreichbar. Dies trifft beispielsweise meist auf Archiv-Bereiche, Kalender-Einträge, Login-Bereiche etc. zu.
 ==Ausgabe-Format==

@@ Zeile 21: / Zeile 21: @@
 ==Bekannte Probleme==
-Generell sind Crawler in der Lage, jeden Inhalt einer Website zu speichern und wieder
+Generell sind Crawler in der Lage, statische Inhalt einer Website zu speichern. Probleme ergeben sich in zwei Bereichen:
 *'''Dynamischer Content:''' Content der dynamisch erzeugt wird, z.B. aus Javascript. Crawler sind dafür ausgelegt Hyperlinks aus HTML-Code zu extrahieren. Befinden sich die Hyperlinks aber beispielsweise in Javascript-Code, so scheitert der Crawler daran.

@@ Zeile 35: / Zeile 35: @@
 ==Weitere Informationen==
 *Brown, Adrian (2008): Archiving Websites: A Practical Guide for Information Management Professionals
-*Denev, Dimitar (2012): Models and methods for web archive crawling [http://www.mpi-inf.mpg.de/~ddenev/phd-thesis.pdf]
+*Denev, Dimitar (2012): [http://www.mpi-inf.mpg.de/~ddenev/phd-thesis.pdf Models and methods for web archive crawling], Stand: 20.03.2014
-*Stern, Hunter (2011): Fetch Chain Processors [https://webarchive.jira.com/wiki/display/Heritrix/Fetch+Chain+Processors]
+*Stern, Hunter (2011): [https://webarchive.jira.com/wiki/display/Heritrix/Fetch+Chain+Processors Fetch Chain Processors], Stand: 20.03.2014
-*Bibliothèque nationale de France (2009): The WARC File Format (ISO 28500) - Information, Maintenance, Drafts [http://bibnum.bnf.fr/warc/]
+*Bibliothèque nationale de France (2009): [http://bibnum.bnf.fr/warc/ The WARC File Format (ISO 28500) - Information, Maintenance, Drafts], Stand: 20.03.2014
 ==Quellen==
 <references />

@@ Zeile 31: / Zeile 31: @@
 ==Ausgabe-Format==
-Im Mai 2009 wurde das so genannte WARC-Format als ISO-Standard verabschiedet. WARC steht hierbei für Web Archive. Es ist ein Container-Dateiformat, das es ermöglicht alle zu einer archivierten Website gehörigen Dateien in einer einzigen Container-Datei zu speichern. Das WARC-Format ist eine Erweiterung des ARC-Formats, das 1996 vom Internet Archive entwickelt wurde. Der verabschiedete ISO-Standard ist kostenpflichtig <ref>einzusehen unter [http://www.iso.org/iso/iso_catalogue/catalogue_tc/catalogue_detail.htm?csnumber=44717]</ref>. Es existiert allerdings ein frei zugänglicher Entwurf des ISO-Standards vom November 2008 <ref>[http://bibnum.bnf.fr/WARC/WARC_ISO_28500_version1_latestdraft.pdf Information and documentation — The WARC File Format]</ref>.
+Im Mai 2009 wurde das so genannte WARC-Format als ISO-Standard verabschiedet. WARC steht hierbei für Web Archive. Es ist ein Container-Dateiformat, das es ermöglicht alle zu einer archivierten Website gehörigen Dateien in einer einzigen Container-Datei zu speichern. Das WARC-Format ist eine Erweiterung des ARC-Formats, das 1996 vom Internet Archive entwickelt wurde. Der verabschiedete ISO-Standard ist kostenpflichtig <ref>einzusehen unter: ISO (2009): [http://www.iso.org/iso/iso_catalogue/catalogue_tc/catalogue_detail.htm?csnumber=44717 Information and documentation — The WARC File Format]</ref>. Es existiert allerdings ein frei zugänglicher Entwurf des ISO-Standards vom November 2008 <ref>[http://bibnum.bnf.fr/WARC/WARC_ISO_28500_version1_latestdraft.pdf Information and documentation — The WARC File Format]</ref>.
 ==Weitere Informationen==

← Nächstältere Version		Version vom 20. März 2014, 10:49 Uhr
Zeile 1:		Zeile 1:
−	Für im Netz verfügbare Werke, die keinen flächigen Einsatz von dynamischen oder serverseitigen Elementen haben, wird eine '''Spiegelung''' mittels Heritrix[https://webarchive.jira.com/wiki/display/Heritrix/Heritrix] angewendet.	+	Für im Netz verfügbare Werke, die keinen flächigen Einsatz von dynamischen oder serverseitigen Elementen haben, wird eine '''Spiegelung''' mittels Heritrix<ref>Levitt, Noah (2014):[https://webarchive.jira.com/wiki/display/Heritrix/Heritrix Heritrix], Stand:20.03.2014</ref> angewendet.

	==Anwendung==		==Anwendung==

← Nächstältere Version		Version vom 20. März 2014, 10:43 Uhr
Zeile 16:		Zeile 16:

	Diese werden dann zu den seeds hinzugefügt. Auf diese Weise werden eine Website und alle anderen Websites, auf die verlinkt wird, gespeichert. Dieser Vorgang kann und muss selbstverständlich durch Parameter beschränkt werden, z. B. die maximale Anzahl an Hyperlinks, denen gefolgt werden soll.		Diese werden dann zu den seeds hinzugefügt. Auf diese Weise werden eine Website und alle anderen Websites, auf die verlinkt wird, gespeichert. Dieser Vorgang kann und muss selbstverständlich durch Parameter beschränkt werden, z. B. die maximale Anzahl an Hyperlinks, denen gefolgt werden soll.
−
−	~~--Hier kommt ein Bild hin--~~
−

	Der downloader speichert die Website inklusive der Metadaten in den Speicherort (storage). Gleichzeitig extrahiert er die Hyperlinks aus der Website und übergibt diese URLs an die seeds (queue). Der scheduler bestimmt, welche URL als nächste an den downloader übergeben wird und sorgt dafür, dass keine URL doppelt gespeichert wird.		Der downloader speichert die Website inklusive der Metadaten in den Speicherort (storage). Gleichzeitig extrahiert er die Hyperlinks aus der Website und übergibt diese URLs an die seeds (queue). Der scheduler bestimmt, welche URL als nächste an den downloader übergeben wird und sorgt dafür, dass keine URL doppelt gespeichert wird.

@@ Zeile 4: / Zeile 4: @@
 Das seit längerer Zeit am meisten genutzte Verfahren zur Webarchivierung ist eine '''Spiegelung''' (auch: ''Remote Harvesting'' oder ''Web-Archivierung'') mittels eines Crawlers.
-Dazu wird ein sogenannter Crawler verwendet. Crawler gehören zur Gruppe der „robots“ bzw. „spider“. Diese Gruppe von Software wurde dazu entwickelt mit Online Angeboten, also Websites, zu interagieren, als ob sie menschliche Nutzer wären und so Informationen zu sammeln. Auch Google verwendet solche „robots“, um Websites zu sammeln und zu indexieren.
+Dazu wird ein sogenannter Crawler verwendet. Crawler gehören zur Gruppe der „robots“ bzw. „spider“. Diese Gruppe von Software wurde dazu entwickelt mit Online-Angeboten, also Websites, zu interagieren, als ob sie menschliche Nutzer wären und so Informationen zu sammeln. Auch Google verwendet solche „robots“, um Websites zu sammeln und zu indexieren.
 Die am weitesten verbreiteten Crawler sind HTTrack von Xavier Roche und Heritrix von Internet Archive und Nordic Web Archive.