Nestor Workshop „Nestor for Newbies“ bei der DNB in Frankfurt am 15. Mai 2018

von Antonia Riedel

Am 15. Mai fand ein Workshop der Reihe „Nestor for Newbies“ in der Deutschen Nationalbibliothek in Frankfurt a.M. zum Thema „Webarchivierung: Grundlagen und praktische Erfahrungen“ statt. Die Reihe bietet ein Forum für Interessierte aus allen Kultureinrichtungen, die erste Schritte auf dem Weg der digitalen Langzeitarchivierung beschreiten möchten. An diesem Tag gab es mehrere Vorträge und Erfahrungsberichte von Fachleuten für absolute Neulinge speziell zum Gebiet der Webseitenarchivierung. Auf Webseiten werden Inhalte frei zugänglich gemacht, die aufgrund ihrer Veränderbarkeit flüchtig sind. Durch die Archivierung von Webseiten soll dem Verlust dieser Daten entgegengewirkt werden, sofern es sich beispielsweise um wissenschaftlich oder kulturell relevante Inhalte handelt.

Tobias Beinert berichtete von der Webseitenarchivierung bei der Bayerischen Staatsbibliothek (BSB), die den Ansatz des selektiven Harvesting[1] verfolgt, um wissenschaftlich relevante Inhalte dauerhaft zu sichern. Für das Harvesting von Webseiten müssen Genehmigungen bei den erzeugenden Stellen eingeholt werden. Ebenso müssen die Rechte zur Langzeitarchivierung und zur öffentlichen Zugänglichmachung eingeräumt werden, da es sich bei der Archivierung digitaler Inhalte um Vervielfältigungsvorgänge handelt. Für jede Webseite werden zweimal im Jahr Zeitschnitte angefertigt, die dann manuell und halbautomatisch auf ihre Qualität hin geprüft werden. Da auch Archivlinks nicht stabil sein müssen, empfiehlt sich die Vergabe einer URN pro Zeitschnitt. Über den BSB-Katalog und die Fachinformationsdienste kann auf die archivierten Webseiten mit Hilfe des Viewers OpenWayback zugegriffen werden, der den dynamischen Charakter der Webseiten dokumentiert. Mit deutlichen Zitierhinweisen wird Rezipienten die Nachnutzung erleichtert. Das Harvesting selbst erfolgt mit dem WebCuratorTool, das auf dem OpenSource Crawler Heritrix basiert. Tobias Beinert stellte auch den Workflow der Webseitenarchivierung vor, der wichtige Schritte wie die Qualitätskontrolle und die Katalogisierung beinhaltet und folgende Harvestingtermine koordiniert. Aufgrund der Datenmengen und der mehr oder weniger häufigen und umfassenden Bearbeitungen von Webseiten plädiert Tobias Beinert für den Erhalt in einer repräsentativen Vollständigkeit. Zuletzt wies Tobias Beinert auf weiterhin bestehende Herausforderungen hin, die bei dynamischen Inhalten (Video, Flash) und geschlossenen Systemen (Facebook, Twitter) bestehen. Zudem sprach er sich für die Koordination der Verantwortlichkeiten auf nationaler Ebene aus.

Danach stellte Renate Hannemann das Webharvesting beim Bibliotheksservice-Zentrum Baden-Württemberg (BSZ) vor. Seit 2004 bot das BSZ Webharvesting mit der Eigententwicklung SWBContent als Dienstleistung für mehrere Landesbibliotheken und Archive an. Mit einem selektiven Harvesting vor allem institutioneller Webseiten sollte eine größtmögliche Vollständigkeit erreicht werden. Um eine hohe Authentizität der Inhalte zu gewährleisten, wurden die Webseiten mit einer hohen Spiegelungstiefe und –genauigkeit geharvested. Bei wichtigen Ereignissen wurden zusätzlich Zeitschnitte angefertigt. Die Parametrisierung, das Crawling und die Qualitätskontrolle wurden vom Kunden durchgeführt. Obwohl SWBContent zuverlässig arbeitete, war die Datenqualität schwankend und nicht beeinflussbar. Zudem war der Komfort vor allem bei Reports und Logs überschaubar und Crawls ließen sich nicht automatisieren. Mit der Administration, der Entwicklung und dem Support hatte das BSZ erhebliche Aufwände. 2016 wurde daher ein neues Modell SWBregio eingeführt. Als Dienstleister wird nun Archive-IT genutzt, ein Webarchivierungsservice des Internet Archive, die ein komfortables Workflow-Tool basierend auf Heritrix3 und eigenen Entwicklungen anbietet. Damit werden der gesamte Vorgang der Webseitenarchivierung und der Support durch den Dienstleister abgedeckt, zusätzlich werden die archivierten Inhalte für eine Volltextrecherche aufbereitet. Das BSZ bietet nun einen zentralen Crawlingservice für mehrere Kommunal- und Kreisarchive an. Nach Beauftragung durch den Kunden führt das BSZ das Harvesting, die Vergabe von Metadaten, die Parametrisierung und die Qualitätssicherung durch. Recherche und Präsentation erfolgt in Archive-IT. Auch wenn es nun Mehraufwände bei der Durchführung der Crawls gibt, konnten in den Bereichen Administration, Support, Schulung, Dokumentation und Speicher massiv Aufwände eingespart werden. Äußerst positiv zu werten ist, dass die Datenqualität der durch das Archive-IT archivierten Webseiten homogen und sehr gut ist.

Für die Saarländische Universitäts- und Landesbibliothek Saarbrücken wurde 2018 ein neues Modell SaarDok entwickelt, das im Grunde wie SWBregio funktioniert. Die Recherche findet allerdings über den Südwestdeutschen Bibliotheksverbund SWB statt und die SULB hat einen eingeschränkten Zugriff auf das Workflow-Tool. Das BSZ erwartet, dass sich die Aufwände des Modells SWBregio nur um die Punkte Schulung und Support der Qualitätssicherung erhöhen werden. In dieser Entwicklung konnte das zentrale Webharvesting als Dienstleistung geprüft und für funktional erklärt werden. Ressourcen konnten effizienter genutzt werden und die verbesserte Qualität der Crawls und der Präsentation erhöhte auch die Zufriedenheit der Kunden. Die Inanspruchnahme fremder Dienstleistungen führte also zur Etablierung eines leistungsfähigen und nutzerfreundlichen Tools zur Webseitenarchivierung.

Tobias Steinke klärte über die rechtlichen Hintergründe der Webseitenarchivierung an der Deutschen Nationalbibliothek auf, nach denen die DNB zur Sicherung aller in Deutschland veröffentlichter Medienwerke, also auch aller Darstellungen in öffentlichen Netzen, verpflichtet ist. In diesem Zuge unterschied er die Begriffe Webarchivierung und Webseitenarchivierung voneinander. Der Begriff der Webarchivierung umfasst die Speicherung von Inhalten des Internets, neben Webseiten also auch elektronische Publikationen, wie E-Books und E-Journals. Die Webseitenarchivierung hingegen bezeichnet explizit die Archivierung von Internetseiten. Diese werden im Allgemeinen fortlaufend, aber unregelmäßig verändert, so dass niemals eine vollständige Sammlung erreicht werden kann. Auch ein wiederholtes Harvesting liefert nur Momentaufnahmen und führt zu teilweise unumgänglichen Redundanzen. Unterschieden werden zwei Verfahren zum Sammlungsaufbau: zum einen der Top-Level-Domain-Crawl, bei dem alle Webseiten einer nationalen Domain gespeichert werden. Zum anderen das selektive Harvesting, bei dem Webseiten zu einem bestimmten Thema oder Ereignis archiviert werden. Die DNB führt seit 2012 ein selektives Harvesting mit dem Tool OWA des deutschen Dienstleisters oia durch. Die Auswahl der zu archivierenden Webseiten wird durch die DNB getroffen, Sammlung, Qualitätssicherung und Speicherung werden durch den Dienstleister durchgeführt. Der Zugriff auf die archivierten Webseiten erfolgt über den Katalog der DNB, ein eigenes Portal und eine Volltextrecherche. Bei thematisch relevanten Seiten, beispielsweise von Behörden oder Institutionen, werden in der Regel zwei Crawls pro Jahr angestoßen, zu wichtigen Ereignissen wird mehrfach gecrawlt. 2014 wurde einmalig ein Top-Level-Domain-Crawl für alle Domains mit der Endung .de durchgeführt, der in ca. 6 Millionen archivierter Webseiten mit einem Speicherbedarf von etwa 120 TB resultierte. Dieser Vorgang führte zwar zu einer umfassenden Zeitaufnahme der deutschen Internetseiten, ist aber in kürzeren Abständen nicht praktikabel durchführbar. Die DNB plant eine Ausweitung des selektiven Webharvestings und eine Förderung der nationalen und internationalen Zusammenarbeit. Außerdem soll in Zukunft das Containerformat WARC in Langzeitarchive überführt werden.

Zuletzt berichtete Susanne Ackermann vom Archiv des Liberalismus der Friedrich-Naumann-Stiftung für die Freiheit in Gummersbach von ihren Erfahrungen mit dem Tool OWA von oia. Sie beschrieb eine nutzerfreundliche und übersichtliche Handhabung und im Ergebnis eine homogene und gute Datenqualität.

Die gehaltenen Vorträge lieferten einen Überblick über verschiedene momentan produktive Modelle zur Webseitenarchivierung in Deutschland. Dabei wurde deutlich, dass es nur wenig wirklich verlässliche Software und Dienstleister gibt, die homogene, qualitativ hochwertige und umfassende Daten automatisiert bieten. Der Rückgriff auf Eigenentwicklungen oder internationale Dienstleister ist aber möglich und liefert ebenfalls konsistente Daten. Die digitale Langzeitarchivierung der Webseiten war nur in Ansätzen Teil der vorgestellten Modelle. Der Vortrag von Tobias Steinke, in dem auch grundlegende Begriffe und Tools der Webseitenarchivierung definiert und vorgestellt wurden, hätte den Workshop gut einleiten können. So war der Workshop für wirkliche Webseitenarchivierungs-Newbies ein Sprung ins kalte Wasser.

Hinweis: Weitere Informationen zu den gehaltenen Vorträgen auf https://wiki.dnb.de/display/NESTOR/Veranstaltung+am+15.05.2018+Deutschen+Nationalbibliothek+Frankfurt (27.06.2018) und zur Arbeit von NESTOR unter http://www.langzeitarchivierung.de/Subsites/nestor/DE/Home/home_node.html (27.06.2018).


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

This site uses Akismet to reduce spam. Learn how your comment data is processed.