Upload
john
View
41
Download
0
Embed Size (px)
DESCRIPTION
Uchování a trvalé zpřístupnění webových dokumentů - zkušenosti z WebArchivu. Martin Bella, [email protected]. Osnova. zber dát sprístupnenie archívu nová generácia nástrojov. Zber dát. semienka „klikanie“ na odkazy na stránkach pravidlá pasce. Heritrix. robustnosť modulárnosť - PowerPoint PPT Presentation
Citation preview
Uchování a trvalé zpřístupnění Uchování a trvalé zpřístupnění webových dokumentů - webových dokumentů -
zkušenosti z WebArchivuzkušenosti z WebArchivu
Martin Bella, [email protected] Bella, [email protected]
www.webarchiv.cz
Osnova
zber dát sprístupnenie archívu nová generácia nástrojov
www.webarchiv.cz
Zber dát
semienka „klikanie“ na odkazy na stránkach pravidlá pasce
www.webarchiv.cz
Heritrix
robustnosť modulárnosť rozšíriteľnosť
pluginy Deduplicator Hadoop DFS
Writer
www.webarchiv.cz
Web Curator Tool
tvorcovia National Library of New Zealand a British Library
nadstavba Heritrixu prívetivé užívateľské rozhranie nepodporuje inkrementálny zber nám nevyhovujúci Workflow
www.webarchiv.cz
Web Curator Tool
www.webarchiv.cz
Netarchive Suite
nadstavba Heritrixu prívetivé užívateľské rozhranie nástroj na plánovanie a spúšťanie
zberov, archiváciu dát a kontrolu kvality
možnosť distribuovanej konfigurácie systému
www.webarchiv.cz
Nástroje na sprístupnenie
nutnosť rešpektovať autorský zákon metadáta uložené v SQL databáze
Wayback, štatistiky, pripravuje sa OAI-PMH
www.webarchiv.cz
Wayback
aplikácia na sprístupnenie archívu podľa URL a času
režimy sprístupnenia: archival URL, proxy, timeline
vynikajúce možnosti konfigurácie v budúcnosti podpora fulltextového
vyhľadávania
www.webarchiv.cz
Wayback
www.webarchiv.cz
NutchWAX
Nutch crawler vyhľadávací engine
NutchWAX nadstavba vytvorená pre potreby
webových archívov nutná aplikácia na rekonštrukciu
stránok z archívu
www.webarchiv.cz
NutchWAX
www.webarchiv.cz
WERA
sprístupnenie a rekonštrukcia stránok využíva index NutchWAXu fulltextové vyhľadávanie a
vyhľadávanie podľa URL časová os ukončený vývoj – prechod na
Wayback
www.webarchiv.cz
Budúcnosť
inšpirácia od Googlu počítačové gridy distribuované filesystémy Hadoop a NutchWAX verzia >= 0.6 Map-Reduce
www.webarchiv.cz
Map–Reduce
nástroj, pomocou ktorého je možné distribuovať výpočet
dva základné kroky map(kľúč, hodnota) reduce(kľúč, zoznam hodnôt)
www.webarchiv.cz
Map-Reduce – počet výskytov každého slova funkcia map
map (in kľúč, in hodnota) {pre každé slovo z hodnota:
vytvorPár(slovo, 1)
} funkcia reduce
reduce (in kľúč, in zoznam_hodnôt) {výsledok = sum(zoznam_hodnôt)
}
www.webarchiv.cz
Hadoop
open-source implementácia GFS podpora Map-Reduce replikácie, webové rozhranie architektúra
namenode datanode tasktracker
www.webarchiv.cz
Nutch(WAX)
NutchWAX 0.10 + Hadoop 0.9.2 vyhľadávanie :-(