Forskerbrug af webarkiver en kort indføring

Transkript

1 Janne Nielsen Forskerbrug af webarkiver en kort indføring Version 1

2 Janne Nielsen Forskerbrug af webarkiver en kort indføring Version 1 NetLab/forfatteren, 2015 Udgivet af NetLab Helsingforsgade 14, 8200 Aarhus N. 2

3 INDHOLD Forord Indledning Web er ikke (altid) et arkiv Webarkiveringens særegenhed Digitaliseret, født- digitalt og genfødt digitalt materiale Hvad er webarkivering? Overordnede typer af webarkivering Metoder til at arkivere store mængder webmateriale Webarkivering via høstere (web/link crawling) Høstning via API Levering fra producenter Ofte anvendte strategier inden for høstning Interface og søgemuligheder i webarkiver Det arkiverede materiales kendetegn Rekonstruerede versioner Det arkiverede materiales tidslighed Det arkiverede materiales spatiale grænser Andre usikkerheder Eksisterende websamlinger Introduktion Netarkivet Samlingen Strategier Adgang Søgemuligheder Dokumentation Internet Archive Samlingen Strategier Adgang Søgemuligheder Dokumentation

4 3.4 Andre nationale webarkiver Library of Congress Web Archives UK Web Archive Pandora Portuguese Web Archive Forskerens eget webarkiv Introduktion Forskellige metoder til selv at arkivere Skærmbillede Skærmfilmning HTTrack On- demand arkivering Netarkivet Archive- It Om at referere til arkiveret webmateriale (best practice) Materiale fra Netarkivet Materiale fra Internet Archive Referencer til eget arkiv Reference rot endnu en grund til at referere til arkiveret web Ordliste Litteratur

5 Forord Denne bog er udformet i forbindelse med udviklingen af NetLabs forskerworkshops om webarkivering. I disse workshops introduceres deltagerne til at arbejde med arkiveret web i forskning, herunder hvad webarkivering er, udfordringerne ved arkiveret web som forskningsobjekt, viden om eksisterende webarkiver og om værktøjer til mikroarkivering, så forskeren selv kan arkivere web. Formålet med denne bog er i forlængelse heraf at samle al relevant viden om forskerbrug af webarkiver, som er relevant i en dansk kontekst og tilpasset dansk forskning. Bogen fungerer som grundbog ved NetLabs workshops og udleveres gratis som pdf til deltagerne. Opbygningen af bogen er derfor også inspireret af de moduler, som NetLabs workshops består af, men den kan også sagtens læses uafhængigt af undervisningen. Bogen vil løbende blive opdateret med relevant ny forskning inden for webarkivering, hvorfor den på lidt længere sigt vil findes i flere versioner. Oprindeligt var det tanken, at bogen også skulle indeholde manualer til de softwareprogrammer, der introduceres til i NetLabs workshops. Denne løsning er dog blevet fravalgt til fordel for at gøre manualerne tilgængelige på NetLabs website Det gøres for så vidt muligt at sikre, at manualerne altid er tilgængelige og opdaterede. På websitet vil der i løbet af 2015 også komme til at ligge video tutorials, dvs. korte introduktionsvideoer, som introducerer til de forskellige emner i modulerne. Disse kan benyttes både i samspil med og uafhængigt af bogen. En del af formålet med NetLabs forskerworkshops om webarkivering er også at komme i dialog med andre humanistiske og samfundsvidenskabelige forskere, som arbejder med arkiveret web på forskellig vis, for derigennem at kunne dele og udveksle erfaringer. Sidder du med en viden om relevant forskning i webarkivering, som du synes denne bog kunne drage nytte af, er du meget velkommen til at skrive til mig på imvjani@dac.au.dk. NetLabs forskere er samtidig i løbende dialog med Netarkivets kuratorer og udviklere, så de erfaringer, der gøres i NetLabs workshops, kan videreføres i arbejdet med at udvikle det danske webarkiv og digitale værktøjer til forskning i arkiveret web. Ordliste: Hvis man ikke har arbejdet med webarkivering før, vil man sandsynligvis støde på mange nye ord i det følgende. Ordene bliver oftest forklaret i teksten, men derudover er der lavet en ordliste sidst i bogen, som forhåbentlig kan være til hjælp i forhold til at skaffe overblik. Begreber, som indgår i ordlisten, er orange første gang, de indgår i teksten. 5

6 1 Indledning Før vi går i gang med at kigge nærmere på de forskellige metoder og strategier til webarkivering, er det væsentligt at starte med, hvorfor vi overhovedet arkiverer web. Dette kapitel indledes derfor med et afsnit om de overordnede formål med at arkivere web, og hvad det er ved web som fænomen, der gør, at det er så vigtigt at forsøge at arkivere det. Web er i dag en væsentlig kulturel ressource og et sted, hvor en stor mængde social interaktion og mange kulturelle frembringelser finder sted, og hvor fx en stor del af den offentlige debat foregår. Web spiller en vigtig rolle både i den enkeltes liv og i samfundet (i hvert fald i den vestlige verden). Det er derfor også vigtigt at anvende web i forskning, både som forskningsobjekt i sig selv og som kilde til viden om andre forskningsobjekter, og både i samtidens forskning og i historisk forskning. For at kunne benytte web i forskning vil det dog ofte være afgørende, at man kan fastholde webmateriale i det omfang, det kan lade sig gøre mere om det senere. En af de ting, der kan siges at kendetegne web, er webs foranderlighed. Web er et dynamisk medie, som hele tiden ændrer og udvikler sig i høj hastighed, og hvor nyt materiale kontinuerligt kommer til. Her kan vi blive opdateret på den nyeste viden, og vi kan følge med i begivenheder, efterhånden som de udvikler sig, ved fx at kigge på nyhedssites, der opdateres konstant hele døgnet. Web er også et uforudsigeligt medie. Udviklingen sker hurtigt, og det er svært at regne ud, hvilke typer nyt online indhold og tjenester, der bliver det næste store på web. 1.1 Web er ikke (altid) et arkiv Et andet aspekt af web, som bliver diskuteret meget for tiden, er webs egenskab af arkiv. I 2014 har tolkningen af den såkaldte right to be forgotten været genstand for megen debat. 1 Den såkaldte ret til at blive glemt er i forhold til web bl.a. blevet tolket som, at individet skal have ret til at få personfølsomme data, som kan være potentielt stigmatiserende, og som ikke længere vurderes at være relevante, fjernet eller gjort mindre tilgængelige ved at søgemaskiner som fx Google fjerner dem fra deres indeksering, så de ikke længere kommer frem i søgninger. Diskussioner af denne type understøtter en forestilling om, at web er et stort arkiv, hvor alting gemmes. Der er ingen tvivl om, at der er indhold på web, som bliver gemt i mange år, og at web på den måde kan have en form for arkivfunktionalitet. Men ifølge Dougherty og Schneider (Dougherty & Schneider, 2011 s. 253) kan tendensen til at forstå web som et arkiv føre til en manglende forståelse af webs dynamiske natur. Web er ikke bare et arkiv; der er i mindst lige så høj grad tale om, at objekter på web i stort omfang bliver continually overwritten, reproduced, reframed, edited, excerpted, and deleted (Dougherty & Schneider, 2011 s. 253). Web er således på én gang kendetegnet ved sin varighed og sin flygtighed, som når Schneider og Foot beskriver webs natur som a unique mixture of the ephemeral and the permanent (Schneider & Foot, 2004 s. 115). Det er vigtigt for at forstå web, at man er opmærksom på, at objekter på web forsvinder næsten lige så hurtigt som nye objekter kommer til: 1 Se fx to- be- forgotten. 6

7 The average life span of a Web page is only 44 days, and 44 percent of the Web sites found in 1998 could not be found in [ ] As ubiquitous as the Web seems to be, it is also ephemeral, and much of today's Web will have disappeared by tomorrow. (Lyman, 2002 s. 38) Forty percent of the material on the Internet disappears within a year, while another forty percent has been changed, which is why today we can only expect to find twenty percent of the material that was on the Internet one year ago. (Brügger, 2005 s. 15) Tallene kan være anderledes i dag, men under alle omstændigheder er det stadig en væsentlig pointe, at materiale forsvinder fra web med stor hast, hvilket flere undersøgelser har påvist: several studies found that within a given week 35-40% of web pages changed their content (Dougherty et al., 2010 s. 8) Ved en præsentation, som Brewster Kahle, grundlæggeren af Internet Archive, holdt 11. februar 2015 til et arrangement hos Ford Foundation, udtalte han: We now know that Web pages only last about 100 days on average before they change or disappear. (Kahle, 2015) Fordi web er dynamisk, flygtigt og uforudsigeligt, er det nødvendigt at arkivere webmateriale, hvis man vil fastholde webindhold og kunne gøre web til forskningsobjekt (Brügger, 2011 s. 24; Dougherty & Schneider, 2011 s. 260; Masanes, 2006 s. 1; Schneider, Foot, & Wouters, 2010 s. 208). Det samme gælder, hvis man vil sikre sig, at den digitale del af vores kultur, som foregår på web, vil være tilgængeligt (i hvert fald i et vist omfang) for eftertiden. Der er altså mange gode grunde til at arkivere web: for at bevare den digitale kulturarv for at fastholde webmateriale som forskningsobjekt for at kunne dokumentere og illustrere påstande baseret på analyse af webmateriale (hvad enten det er web i sig selv, der er forskningsobjektet, eller web bruges som kilde til viden om et andet forskningsobjekt). 1.2 Webarkiveringens særegenhed Men arkivering af web adskiller sig på mange måder fra arkivering af andre typer medieindhold. Vil man arkivere en bog for eftertiden, kan man stille den på en hylde i et bibliotek og bestemme sig for, at der skal den stå fremover. Når man så skal bruge bogen igen, kan man gå hen til hylden og tage bogen ned. Det er den samme bog, som har stået der hele tiden bort set fra måske noget slid og ælde har den ikke ændret sig fra sådan, som den så ud, da den først kom ud fra bogtrykkeren. Den vil også være identisk med andre eksemplarer af samme bog, som måtte stå på andre bibliotekers hylder. Det samme gælder, hvis man arkiverer aviser eller tidsskrifter. Vil man gemme radio- eller tv- indhold kræver det til gengæld lidt mere, for modsat bogen, som allerede i sig selv er et lagringsmedie, må radio- og tv- indhold gemmes på et lagringsmedie, som ikke automatisk følger med udsendelsen. Her kan anvendes flere forskellige lagringsmedier, og hvilke medier der vælges har betydning for, om og i hvilket omfang objektet (det indhold man søger at gemme) påvirkes af arkiveringen (fx om lyd- eller billedkvalitet 7

8 forringes), og hvordan man efterfølgende kan tilgå indholdet. Hvis det eksempelvis kræver en særlig maskine eller et bestemt format at afspille indholdet, sætter det nogle klare rammer for brugen, også over tid (fx forældede formater, maskiner til afspilning som ikke produceres mere osv.). Hvordan man vælger at arkivere og tilgængeliggøre materiale har en væsentlig rammesættende betydning for, hvad man efterfølgende kan gøre med materialet. Et arkivs formål, strategier og anvendte teknologi har betydning for, hvad der er arkiveret og hvordan (på hvilken måde), og hvordan dette kan tilgås (adgangsforhold), og på den måde har de betydning for muligheden for at konstruere et forskningsobjekt ud fra arkivets materiale. Dette bliver endnu mere tydeligt, når vi kigger på webmateriale, fordi webarkivering er langt mere kompliceret end de ovennævnte former for arkivering, fordi selve arkiveringen påvirker materialet i langt højere grad, og det, vi ender op med i arkivet, derfor sjældent (hvis nogensinde) kan siges at være det samme som det, vi søgte at arkivere. Her vil man sagtens kunne finde eksempler på, at flere arkivers arkiveringer af fx det samme webdomæne eller den samme webside vil resultere i forskellige versioner. Der er mange forskellige metoder til arkivering, som vil påvirke objektet på forskellige måder med forskellige resultater til følge. 2 Selv hvis to arkiver anvender samme metode og arkiverer materialet på præcis samme tidspunkt, vil der kunne være truffet forskellige valg i processen i forhold til konkrete indstillinger i den anvendte software, hvilket kan resultere i versioner, som ikke er ens på tværs af arkiver. Hvilket interface med hvilke funktionaliteter man efterfølgende anvender i arkivet til visning af de arkiverede versioner, kan ligeledes betyde store forskelle i, hvordan arkivets brugere kan tilgå og håndtere materialet. Arkiveringen påvirker altså selve objektet og dermed potentielt også dets status som forskningsobjekt, og da materialet oftest ikke kan opleves i den oprindelige kontekst, er det vigtigt at forstå, hvilken betydning denne påvirkning har. Det vender jeg tilbage til i afsnittet om det arkiverede materiales kendetegn (afsnit 2.5). Disse aspekter er ligeledes meget vigtige at holde sig for øje, hvis man som forsker selv vil arkivere web (se afsnit 4.1). Forskellige blik på, hvad web er, vil have betydning for, hvad man forstår som relevant at arkivere og hvordan. Blikket er afhængigt af, hvad det er vi som forskere leder efter (erkendelsesinteresse), og hvilke metoder vi ønsker at anvende for at opnå viden herom. Man kan fx have fokus på indholdsmæssige aspekter (hvad står der, hvad handler det om), på layoutelementer, på funktionaliteter, på linkstrukturer på tværs af websites eller på interaktion og brug. Der er forskel på, hvilke typer data man har behov for, hvis man vil lave en analyse af layoutet eller indholdet på eller hvis man fx ønsker at lave en netværksanalyse af det netværk af websites, som linker til eller som linker til. Så også her vil arkiveringen og de valg, der træffes i den forbindelse, have betydning for det forskningsobjekt, man ender ud med. 2 Se fx Laursen, Brügger og Sandvik (2013) for en beskrivelse af, hvordan fire forskellige metoder til arkivering af facebook- data har betydning for, hvad man efterfølgende kan gøre med materialet. 8

9 1.3 Digitaliseret, født- digitalt og genfødt digitalt materiale Webarkivering er grundlæggende arkivering af webmateriale (jeg vender tilbage til mere konkrete definitioner), og webmateriale er ligesom mange andre typer materiale i dag digitalt. Men webmateriale, som er arkiveret, er digitalt på en bestemt måde, og det spiller en vigtig rolle i forståelsen af arkiveret web. Man kan grundlæggende skelne mellem tre typer digitalt materiale (Brügger, 2012 s. 104): Digitaliseret materiale, som er tidligere analogt materiale, der er blevet konverteret til digitale filer (bestående af binær kode). Født- digitalt materiale, som er digitalt produceret fra starten, og således ikke har et analogt forlæg. Genfødt- digitalt materiale, som skabes, når digitalt materiale (digitaliseret eller født- digitalt) indsamles og bevares i en proces, hvor materialet ændres (Brügger, 2012 s. 104). Det materiale, der findes i webarkiverer, kan beskrives som genfødt- digitalt, fordi materialet i webarkivet aldrig vil være helt det samme, som det materiale, der fandtes på det levende web (det som er online nu). Dette vil blive forklaret yderligere i afsnittet om det arkiverede materiales kendetegn (afsnit 2.5), men det er vigtigt at understrege her fra starten. Der er altså en væsentlig forskel på genfødt- digitalt materiale og de andre typer digitalt materiale, og det har en afgørende betydning for, hvordan vi kan forstå og arbejde med arkiveret web. Når vi arbejder med web er det samtidig relevant at fastlægge, hvordan vi taler om webmaterialer, og i denne bog skelnes, med begreber hentet fra Brügger (2009), mellem tre niveauer: webelement, webside og website. Et webelement er den mindste betydningsbærende enhed på en webside, dvs. fx et afgrænset stykke skrift, et billede, et grafikelement, en video eller lignende. 3 En webside er det, der kan ses i et browservindue (inklusive det, man evt. skal scrolle ned til), mens et website er en sammenhængende mængde websider (ibid.). Brügger peger på, at the website is based on a semantic, formal and physically performative coherence (Brügger, 2009 s. 123). Der skabes således ikke kun sammenhæng ved hjælp af formmæssige og indholdsmæssige (betydningsmæssige) elementer, men også via de strukturer (links), som sammenbinder elementerne gennem de handlinger, som brugeren foretager (fx når man ved at klikke på et link bevæger sig mellem dele af et website). Som brugere vil vi som regel have en klar forståelse af, hvad et website er, og vi kan skelne mellem fx TV2 s website og DR s website, som befinder sig på hvert sit domæne, og som har hver deres respektive layoutmæssige kendetegn og andre aspekter, der binder dem sammen hver især og gør, at de adskiller sig fra hinanden. Et website kan evt. bestå af flere del- websites som osv. Det skal understreges, at definitionerne på webside og website på sin vis er forsimplinger, som vi anvender for overhovedet at gøre det muligt at udskille objekter analytisk og tale om dem. Grænserne for et website og en webside er reelt langt mere 3 I nogle tilfælde anvendes begrebet webobjekt ligeledes, da det er det begreb, der anvendes i Netarkivet om den mindste enhed i webarkivet. 9

10 komplicerede og kompleksiteten øges, når vi taler om arkiverede versioner af websider og websites fordi webs linkstrukturer betyder, at det er svært reelt at af afgrænse disse enheder. Samtidig kan man diskutere, i hvilket omfang man er nødt til at forsøge at indfange hele konteksten, for at man reelt har fastholdt det fænomen, man prøver at bevare (se afsnit 2.5). Med det in mente, vender vi os nu mod spørgsmålet om, hvad webarkivering er. 10

11 2 Hvad er webarkivering? 2.1 Overordnede typer af webarkivering International Internet Preservation Consortium (IIPC), der er en medlemsorganisation for webarkiver, som arbejder for at fremme internationalt samarbejde om webarkivering og for at forbedre værktøjer og standarder, beskriver webarkivering som: the process of gathering up data that has been published on the World Wide Web, storing it, ensuring the data is preserved in an archive, and making the collected data available for future research. ( us) I denne forståelse indgår tilgængeliggørelse af materialet som en væsentlig del, hvilket er naturligt taget i betragtning, at International Internet Preservation Consortiums medlemmer primært er kulturarvsbevarende arkiveringsinstitutioner. Webarkivering kan imidlertid også foregå som den enkelte forsker eller forskergruppes arkivering af webmateriale. Brügger arbejder da også med en bredere definition af webarkivering: Any form of deliberate and purposive preserving of web material. (Brügger, 2011 s. 25) Herudover skelner han mellem makroarkivering og mikroarkivering (Brügger, 2005; 2011). Makroarkivering, forstået som arkivering i stor skala, udføres typisk af institutioner, der har det som en del af deres formål og opgave at arkivere kulturarv, og som derfor har den fornødne teknologi og ekspertise til at arkivere store mængder materiale uafhængigt af enkelte forskningsprojekter. Her er målet ofte at bevare så meget som muligt at kulturarven uden et specifikt forskningsformål eller en særlig brug for øje, en form for preservation for its own sake, som Thomas, Meyer, Dougherty, Van den Heuvel, Madsen og Wyatt (Thomas et al., 2010 s. 7) kalder det. Det betyder så samtidig, at det arkiverede materiale her oftest vil være så varieret og dække så mange emneområder, så det vil kunne benyttes i forbindelse med mange forskellige typer af forskningsprojekter hvis det vel at mærke er arkiveret i en form, der viser sig at være relevant for de forskere, der efterfølgende skal tilgå det. Mikroarkivering er derimod arkivering i mindre skala, som oftest er meget fokuseret, da det er den enkelte forsker eller forskergruppe, som arkiverer lige præcis det materiale, de antager at have brug for i relation til et konkret forskningsobjekt. Det er derfor ofte baseret på et her- og- nu opstået behov for at stabilisere et givet forskningsobjekt og bevare det på en måde, så det kan anvendes til det konkrete behov, forskeren har i forhold til forskningsspørgsmål, metoder osv. (Brügger, 2005 s. 10; 2011 s. 25). Modsat makroarkivering kan mikroarkivering også foretages af forskere, som ikke har nogen særlig erfaring med webarkivering og ikke noget særligt avanceret software til rådighed. Brügger peger på, at webarkivering under alle omstændigheder må forstås som en bevidst og målrettet handling, hvor der træffes valg ud fra en intention om at arkivere og en refleksion over, hvorfor man arkiverer dette materiale (Brügger, 2011 s. 25). Til de to kategorier kan tilføjes initiativer, hvor en eller flere institutioner foretager arkivering i en skala, som hverken kan beskrives som makro- eller mikroarkivering, men 11

12 som en mellemting, og som vi kan kalde tematisk eller selektiv arkivering. 4 Her vil målet ofte være at opbygge samlinger inden for bestemte temaer eller områder ud fra nogle forestillinger om, hvad der er særligt relevant at arkivere, men uden at ville arkivere det hele som i makroarkivering, og uden at det nødvendigvis har et specifikt formål for øje som i mikroarkivering. Alle former for arkivering har fordele og ulemper og egner sig derfor bedst til bestemte typer af arkivering. Det er væsentligt at være sig bevidst, hvordan de forskellige typer har betydning for, hvad man ender ud med, og hvad man kan gøre med det. Det er også afgørende, hvad det er for nogle filtyper, der indgår i det webmateriale, der skal arkiveres. Der er forskel på, hvilke metoder det kræver, hvis man skal arkivere hhv. statisk materiale eller dynamisk materiale, og især meget dynamisk materiale (som YouTube videoer, sociale medier m.m.) kræver andre/særlige teknikker. I de afsnit, som gennemgår forskellige metoder, beskrives også fordele og ulemper ved dem. Der er ikke nødvendigvis enighed om definitioner af forskellige former for webarkivering. Thomas et al. skriver eksempelvis, at man traditionelt skelner mellem selektive høstninger og domænehøstninger, hvor førstnævnte især foretages af individer eller grupper, mens sidstnævnte typisk foretages af arkiver og biblioteker (Thomas et al., 2010 s. 9). Men i Netarkivet foretager man både selektive høstninger og domænehøstninger (som man dog kalder tværsnitshøstninger, jf. senere afsnit). Der kan altså være større eller mindre forskel på, hvad der rent praktisk forstås ved begreberne. 2.2 Metoder til at arkivere store mængder webmateriale Der findes flere forskellige måder at arkivere webmateriale på. Nogle metoder egner sig særligt til mikroarkivering, mens andre egner sig til makroarkivering (eller tematisk arkivering). I det følgende er der fokus på de metoder til høstning, som anvendes i makroarkivering. Metoder til mikroarkivering gennemgås i afsnittet om forskeren eget webarkiv Webarkivering via høstere (web/link crawling) En af de mest brugte metoder til at arkivere webmateriale, hvis man vil have mere end den enkelte side med og arkivere linkstrukturer også, er det, der på engelsk kaldes web crawling eller link crawling, og som vi på dansk omtaler som høstning. Det er den metode, der anvendes mest i webarkiver (Thomas et al., 2010 s. 10), som jo høster i stort omfang, men den kan også anvendes til mikroarkivering, hvis en forsker bare vil arkivere et enkelt website. Metoden går kan grundlæggende beskrives som recursively following embedded hyperlinks to some depth (Thomas et al., 2010 s. 10), eller i en lidt mere udførlig definition som the process of collecting web material and loading it into an a fully browsable web archive, with working links, media etc. (Laursen, Brügger & Sandvik, 2013). Man sætter et program kaldet en web crawler eller spider til systematisk at 4 Flere af de institutioner, der foretager makroarkivering, benytter sig også af selektiv og/eller tematisk arkivering, som en del af deres strategi for at indsamle så meget som muligt af kulturarven (jf. afsnit og 3.4). 12

13 bevæge sig rundt på web ved at følge links og undervejs hente, analysere og downloade information fra web servere. Der er tale om en type web bot, dvs. en software applikation til automatiserede opgaver på web, som bruges til mange typer opgaver, fx indeksering, opdatering eller arkivering. Når vi taler om webarkivering, omtales en crawler ofte som en høster (harvester på engelsk). Alle webarkiver, som er medlemmer af International Internet Preservation Consortium (IIPC), herunder Netarkivet og Internet Archive, benytter høsteren Heritrix, som er en fleksibel og skalerbar høster (Library of Congress, n.d.). Den er udviklet af teknikere fra Internet Archive i samarbejde med teknikere fra forskellige institutioner tilknyttet International Internet Preservation Consortium (ibid.), og den er tilgængelig som open source software. Der udvikles løbende på softwaren, og de enkelte arkiver har mulighed for skræddersy Heritrix til deres behov. Høsteren tildeles en liste med domæner eller URL er (webadresser), som man ønsker at arkivere. Høsteren starter ved en URL og arkiverer her så mange webobjekter, som det er muligt ved at downloade filer fra de(n) pågældende server(e) til arkivets servere. Alle de interne og eksterne links (URL er) bliver også høstet, hvorefter høsteren bevæger sig videre til disse sider, arkiverer dem og høster deres links, og så igen videre til disse URL er og så fremdeles. Illustration af høstning: blå linjer angiver links, mens stiplede linjer angiver høsterens bevægelse (i forskellige niveauer). Høsteren arkiverer også metadata undervejs, som gemmes i den såkaldte crawl log. Den fortæller både om de indsamlede ressourcer og høstningens forløb. Den, som konfigurerer softwaren, fastsætter inden høstningen, hvordan høsteren skal håndtere en 13

14 masse forskellige parametre, fx hvor mange niveauer skal høstes (dvs. hvor mange gange skal høsteren følge links videre, set ud fra den oprindelige URL), skal der sættes en øvre grænse for, hvor mange objekter eller bytes, der skal høstes på hvert domæne, om bestemte filtyper skal eller ikke skal høstes osv. Hvordan disse parametre fastsættes har stor betydning for høstningen, både i forhold til hvor lang tiden den tager (og hvor kompliceret den bliver), og i forhold til det arkiverede materiale man ender ud med. Forskelige metoder byder på forskellige muligheder og udfordringer. Høstning ved hjælp af link crawlers har den store fordel, at det er hele websider, der indsamles, at forbindelserne mellem webobjekter (både sammenkoblingen af objekter på den enkelte side og hyperlinks, der kobler på tværs af URL er) bevares, og at det arkiverede materiale efterfølgende kan vises i et interface, hvor det ligner og opfører sig som det levende web (med visse væsentlige undtagelser, som jeg vil komme ind på nedenfor). Da høstning kan delvis automatiseres, har det samtidig den klare fordel, at der kan indsamles store mængder materiale. Selvom der er store fordele ved høstning ved hjælp af link crawling, har metoden også nogle væsentlige udfordringer. Først og fremmest kan der være links, der ikke virker, og indhold der ikke længere findes, men det samme problem ville man støde på med andre metoder til arkivering. Hvad der er et større problem i relation til høstning er, at der er flere typer objekter, som ikke kan indsamles og arkiveres af høsteren, ligesom der er forskellige ting, der kan stoppe høsteren (såvel som andre crawlers) på dens vej rundt på web. Først og fremmest er der en rigtig stor del af web, som høsteren ikke kan få adgang til. Visse beregninger peger på, at op mod 90 % af alt indhold på internettet er utilgængeligt (Dougherty et al., 2010 s. 8), fordi det befinder sig på den del af nettet, som ikke er indekseret af søgemaskiner, det såkaldt dybe net (deep/hidden web). 5 Alt dette indhold kan som udgangspunkt ikke høstes. Jeg vil ikke gå mere ind i forklaringer af det dybe net, men blot nævne, at det bl.a. består af en kæmpe mængder databaser, ftp- servere, private sider og andet password- beskyttet indhold, indhold, som med vilje er skjult for crawlers, sider der ikke linkes til samt dynamisk indhold, som kun genereres afhængigt af forespørgsler. Generelt er dynamisk indhold en stor udfordring for høstere, og selv i de tilfælde, hvor der faktisk kan arkiveres noget af indholdet, kan objekter med forskellige former for dynamisk indhold skabe problemer. Javascripts, som henter indhold fra en server, udgør eksempelvis en stor udfordring. Scriptet kan godt arkiveres, men når det arkiverede script skal genspilles i arkivets interface, vil scriptet ofte fejle, fordi indholdet fra den originale server (som jo er en ekstern server og ikke en af arkivets servere) ikke kan hentes. Det kan også være, at den kan hente indhold, men at dette indhold ikke længere er det samme, som da objektet blev arkiveret. Det kan fx være et script, som henter dagens vejrudsigt eller valutakurser eller lignende, og det vil eksempelvis kunne betyde, at et element fra dags dato pludselig vises som del af en webside, som er flere år gammel uden at brugeren nødvendigvis kan se, at dette er tilfældet. I det hele taget er objekter, 5 Modsat det såkaldte surface- web (overflade- nettet), som er indekseret. 14

15 som skaber indhold som følge af opslag i en database (som igen ligger på den originale server), en væsentlig udfordring. Grundlæggende kan man sige, at hvis en funktionalitet på web kontakter den originale server og kræver en form for eksekvering fra den server, så vil den fejle på den ene eller anden måde i den arkiverede version. Indhold baseret på flash, interaktive sider og sociale medier er dynamisk indhold, som ikke kan arkiveres ved hjælp af høstere (Schostag & Fønss- Jørgensen, 2012 s. 120). Det samme gælder videoer, lydfiler og streamet indhold, og derfor sættes der fx på Netarkivet ind imellem særlige initiativer i gang for at høste videoer online (Tue Larsen, Daglig leder af Netarkivet, Det Kongelige Biblioteket, personlig korrespondance ). Arkiveringen af indhold af disse typer besværliggøres yderligere af, at websites som Facebook og YouTube løbende ændrer deres formater og indstillinger (Thomas et al., 2010 s. 10), hvilket betyder, at arkiveringsinstitutionerne løbende må udvikle nye metoder i forsøget på at indsamle dette indhold. Der er også andre typer funktionaliteter og dynamisk indhold, nemlig den slags, som genereres ud fra brugerkonteksten, der ikke arkiveres, og som er en form for kompleksitet, som brugeren ikke bemærker i sin almindelige brug (Day, 2006 s. 193). I dag er en stor del af det, vi som brugere ser på nettet, afhængigt af vores software (fx browser og eventuelle plug ins) samt af vores tidligere adfærd, fordi cookies gemmer vores adfærd, og data herfra så efterfølgende bliver brugt til at målrette indhold, fx bannerreklamer, mod den enkelte bruger. Indhold som cookies, bannerreklamer, kommentarsektioner, delingsfunktioner, plug ins m.m. opfattes normalt ikke som det primære indhold på web, men som Rogers (2013) peger på, er det en væsentlig del af websites og webs funktionalitet, en del som sjældent arkiveres. Websites med forskellige former for adgangsbegrænsninger, fx i form af password- beskyttelse eller krav om IP- godkendelse, sætter hurtigt en stopper for høstere, og det samme gør websites, som kræver nontrivial interaction (Masanes, 2005), dvs. hvor en bruger skal indtaste bestemte ting, som en crawler ikke umiddelbart kan, fx captcha, 6 som er den lille form, man udfylder på websites for at bevise, at man er et menneske. Billedet er lånt fra: /wiki/captcha Udover de ting, der er svære eller umulige at arkivere, er der også ting på web, der kan stoppe høsterens vej rundt på nettet eller på anden måde sætte den ud af spillet. Nogle typer indhold kan fungere som en form for fælder for høsteren, såkaldte bot traps, som genererer links og derigennem skaber et endeløst kredsløb af forespørgsler, som får høsteren til at bevæge sig i cirkler og/eller gå ned. Et eksempel er en online kalender, der kan have uendeligt mange links. En anden central hindring for i hvert fald nogle høstere er den såkaldte robots.txt exclusion. Robots.txt er en de facto standard, som kan tilføjes i roden af et domæne, og som instruerer automatiserede systemer i ikke at crawle et site eller dele af det, for at forespørgsler fra crawleren ikke skal belaste websitets servere unødigt. Det kan enten være en hjælp, fx på et site hvor opbygningen skaber problemer 6 Captcha står for Completely Automated Public Turing- test to tell Computers and Humans Apart. 15

16 (jf. bot traps), eller hvor indholdet ikke er relevant for de fleste crawlere, fx søgemaskine- høstere, men det kan også være en måde at forsøge at undgå at indhold bliver crawlet og arkiveret af forskellige årsager. Almindelig web- etikette er at følge anvisningerne, også fordi det som nævnt kan være en fordel for crawleren. Internet Archive respekterer robots.txt, endda med tilbagevirkende kraft, forstået på den måde, at Internet Archive ikke kun undlader at høste et domæne, som har tilføjet robots.txt, men også blokerer visningen af eventuelle tidligere arkiverede versioner (før tilføjelsen af robots.txt- filen) (se I Danmark er pligtafleveringen til gengæld gældende for alt offentlig tilgængeligt indhold på internettet, som beskrevet, hvorfor Netarkivets høstere ikke respekterer robots.txt: Når det gælder materiale, der er omfattet af afleveringspligten, findes det ikke acceptabelt, at høsteren overspringer dette, og den benyttede høster må derfor ikke følge eventuelle anvisninger. Pligtafleveringsinstitutionen vil i overensstemmelse hermed ignorere gældende normer for undladelse af høstning, som fx robots.txt. (Pligtaflevering.dk, n.d.) Netarkivet har gjort tidligere forsøg med at respektere robots.txt for at teste, hvorvidt de data, man så undlader at arkivere, er relevante eller ej. Hvis høsterne følger anvisningerne i robots.txt ville det resultere i en betydelig reduktion i den arkiverede datamængde, som var nyttig, hvis materialet viste sig i stort omfang ikke at være relevant (Netarkivets nyhedsbrev marts ). Det viste sig dog, at der var en del relevant materiale, som ikke kom med, hvorfor man for at kunne leve op til de rammer, som pligtafleveringsloven fastsætter, har valgt at fastholde, at robots.txt ikke respekteres. Som denne gennemgang forhåbentlig anskueliggør, er der rigtig mange udfordringer forbundet med høstning ved hjælp af crawlere, og nye udfordringer kommer hele tiden til. På webarkiverne er høstningerne overvåget af teknikere og kuratorer, som løbende overvåger høsteren og arbejder på at håndtere de udfordringer, crawleren møder. For disse kulturarvsbevaringsinstitutioner er høstning et kapløb med tiden, ikke kun fordi websites ændrer sig, men fordi den konstante udvikling på web mere generelt gør det nærmest umuligt at forudse, hvad der bliver de næste store udfordringer for webarkiveringen. Kuratorer og udviklere på arkiverne må hele tiden holde sig opdaterede på nye former for indhold og tjenester og løbende arbejde på udviklingen af teknologi og software til indsamling af nye typer indhold (Schostag & Fønss- Jørgensen, 2012 s. 119). Opsummerende kan man samle op på fordele og ulemper ved høstning via web crawling. Bemærk at både fordele og ulemper kan variere i et vist omfang afhængigt af den afhængigt af den konkrete, anvendte software. Fordele: hele siden i sin fulde længde fastholdes 7 content/uploads/nyhedsbrev_netarkivet_2011_marts.pdf 16

17 links fastholdes, dvs. både forbindelserne mellem linket indhold og det indhold der linkes til fastholdes det ligner og opfører sig som det levende web (med visse væsentlige undtagelser) automatisering (delvis, der er behov for løbende vurdering af det indsamlede materiale og de tekniske vanskeligheder, som opstår) de arkiverede versioner er maskinlæsbare, hvilket giver gode muligheder for søgning og sortering samt muliggør at links er klikbare adgang til metadata (crawl logs) robust format (html) kan anvendes til big data- analyser (fx content analysis, netværksanalyser m.m.) Ulemper: der er objekter, som ikke arkiveres, fx videoer og streamet indhold samt andre applikationer der anvender fx flash, javascript m.m. tidsmæssige uoverensstemmelser svært at afgrænse rumligt risiko for at høsteren fanges i bot traps (kræver en vis overvågning) Høstning via API Sociale medier repræsenterer en af de store udfordringer for webarkiver. De spiller en rigtig stor rolle i de fleste vestlige webbrugeres adfærd på web, og der er i dag en stor del af den offentlige debat, som finder sted i disse fora. De må derfor forstås som en vigtig del af den digitale kulturarv, men de repræsenterer væsentlige udfordringer for høsteren, bl.a. fordi en stor del af indholdet ligger bag passwordbeskyttelse. En del af indholdet på Facebook, nemlig de offentligt tilgængelige sider (Pages) kan i skrivende stund høstes af Heritrix. Tilføjelsen i skrivende stund er vigtig her, fordi Facebook jævnligt ændrer i sin software, hvilket øger udfordringen i forhold til at indsamle data derfra. Da en stor del af interaktionen på Facebook foregår i lukkede grupper, på folks private vægge og i feeds, har forskere, der ønsker at undersøge aspekter vedrørende interaktionen på Facebook behov for at få adgang til disse dele af det lukkede forum. Med støtte fra NetLab er der udviklet en software kaldet Digital Footprints, som kan høste data fra Facebook via Facebooks API (Application Programming Interface). API er en softwaregrænseflade, som gør det muligt at trække data ud fra et system og gøre disse data tilgængeligt i et andet system. I august 2006 blev betaversionen af Facebook Development Platform introduceret, 8 og fra maj 2007 blev det muligt for softwareudviklere at udvikle applikationer på Facebooks platform, som kan bruges i samspil med Facebook (Brügger, 2013a s. 33). API en gør det muligt at indhente data fra brugernes profiler, som fx kan bruges til at tilpasse applikationen til brugeren, og at publicere information om app en på brugens profil, som når du fx kan se i et news feed, at en af dine venner spiller et bestemt spil eller har løbet et antal kilometer, som er registreret af en app, der derefter deler det med brugerens Facebook venner (afhængigt af brugerens indstillinger, fx privacy settings). Det er dog ikke alle oplysninger, der er tilgængelige via API en: 8 development- platform- launches/

18 The Facebook API suite makes available a number of different (but not all) aspects of the Facebook collection of objects, albeit bound about with various security constraints. (Thomas et al., 2010 s. 19) Men en del data kan indhentes, og fordi API en kan bruges til dette, kan den også anvendes i forskningssammenhæng. Det omtalte program Digital Footprints kan derfor efter forskeren har fået tilladelse fra Datatilsynet samt tilladelse fra en bruger hente denne brugers data (profiloplysninger, aktiviteter m.m.) og gemme dem i en database, som forskeren efterfølgende kan tilgå. Digital Footprints kan ligeledes bruges til at hente Twitter- data og Instagram- data. Det er kun universitetsforskere (inklusiv ph.d.- studerende og post docs), som kan få adgang til at bruge Digital Footprints, og der skal søges om adgang i forbindelse med et konkret forskningsprojekt ( Der findes også andre muligheder for at hente data fra sociale medier. Fx har Twitter flere forskellige muligheder for at tilgå data. Mulighederne kan ses på developer- delen af deres website ( Laursen, Brügger og Sandvik (2013) laver en god opsummering på fordele og ulemper ved at indsamle webdata via API, som jeg her har oversat til dansk. Oversigten tager udgangspunkt i et forsøg med at indsamle Facebook- data via Digital Footprints. Fordele: hele sidens indhold fastholdes udviklingen over tid fastholdes maskinlæsbar (søgbar, klikbar, sorterbar) adgang til data, som ellers ville være skjult muligt at håndtere som big data Ulemper: ingen fastholdelse af de originale visuelle visning af elementerne videoer kan ikke afspilles (i stedet linkes der til det levende web) streamet indhold indsamles ikke indhold der er linket til indsamles ikke (i stedet linkes der til det levende web) proprietært format (Laursen, Brügger og Sandvik, 2103) Levering fra producenter Man kunne også forestille sig en løsning, hvor biblioteker indgik aftale med aktører på web om at levere materiale på samme måde, som man gør med andre former for pligtafleveringsmateriale. Man kan fx forstille sig en sådan aftale, hvis webarkiver ønsker at arkivere materiale fra webradiostationer, som kun findes online, og hvor streamingen af indholdet udgør en udfordring for høsteren, eller i forhold til e- bøger på web eller lignende. Internet Archive, som vel at mærke ikke er en pligtafleveringsinstitution, har fået en del materiale leveret fra andre kilder, både webmateriale og andre typer digitalt materiale. 18

19 2.3 Ofte anvendte strategier inden for høstning Som det fremgår af ovenstående beskrivelse af høstningens udfordringer, kan man ikke få alt med, både fordi der høstes venligt for ikke at overbelaste serverne, der høstes fra, og fordi det ikke er alt, der kan høstes med forskellige metoder. Når man ikke kan få det hele med, må man vælge nogle strategier for, hvad det er, der arkiveres og hvordan det gælder alle typer webarkivering. En strategi er oftest ikke nok, hvis man vil sikre både bredde og dybde i arkiveringen, hvorfor det er almindelig praksis i hvert fald i de webarkiver, som drives af biblioteker og lignende kulturarvsbevarende institutioner, at kombinere forskellige metoder. Dette afsnit vil kort nævne de mest almindelige strategier til arkivering af web, når det handler om arkivering af store mængder materiale gennem høstning (ved hjælp af crawlere). Flere af disse strategier vil blive beskrevet yderligere i afsnittet om Netarkivet (afsnit 3.2), som anvender flere af strategierne. Andre strategier vil være i spil, når der er tale om mikroarkivering, som det fremgår af kapitel 4 om forskerens eget webarkiv. Tværsnitshøstning (på engelsk: bulk/snapsnot harvesting eller broad crawls): En form for bred høstning, hvor man groft sagt forsøger at høste alt det, der er, eller i hvert fald så meget som muligt. Ordet snapshot, som nogen gange bruges på engelsk, er på sin vis misvisende, da ordet signalerer, at der er tale om et øjebliksbillede, hvad der absolut ikke er. Dels kan det ikke lade sig gøre at arkivere et komplet øjebliksbillede af nettet, dels tager denne type høstning som regel lang tid, helt op til flere måneder (se afsnit om Netarkivets strategier), og Masanes (2002) peger derfor på, at det er ironisk at tale om snapshot ved denne type høstninger. Nationale eller regionale domæner: Høstning, som fokuserer på udvalgte top level domæner, fx.dk eller.se. Indsamlingen vil oftest ske gennem tværsnitshøstninger. Selektiv høstning: Høstning, hvor man udvælger bestemte domæner, der høstes. Her vil man fx kunne fokusere på at høste endnu mere i dybden, end det normalt gøres i tværsnitshøstninger. Begivenhedshøstning: Her forsøger man at høste alle websites, som er relevante i forbindelse med kommunikationen omkring en bestemt begivenhed. Nogle begivenhedshøstninger vil kunne være planlagt på forhånd, mens andre begivenheder er uforudsigelige, og høstningen så først kan startes, når man bliver opmærksom på, at her er noget, som bør gemmes for eftertiden. Tematisk høstning: Minder om selektiv høstning, men er centreret omkring et bestemt tema eller emneområde, som antages at være særlig relevant at bevare. Kan også minde om begivenhedshøstningen, men er ikke nødvendigvis kun knyttet til begivenhedens tidsbegrænsning. 2.4 Interface og søgemuligheder i webarkiver De objekter og filer, som er indsamlet i høstningerne og som bevares i arkivet, kan præsenteres på mange forskellige måder. Der vil oftest være forskelle på, hvordan det tekniske personale på arkivet kan tilgå data og metadata, og hvilke muligheder der stilles 19

20 til rådighed for brugerne for at få adgang til materialet. En måde at vise arkiverede versioner af websites, som benyttes af en stor del af webarkiveringsinstitutionerne, 9 er Wayback Machine. Wayback Machine er en open source software, som oprindelig blev udviklet for Internet Archive af Alexa- programmører (Kimpton & Dubois, 2006), 10 og som der løbende laves udviklingsarbejde på (pt. under navnet Open Wayback). Wayback Machine er lavet til at genafspille (replay) materiale i webarkiver, dvs. softwaren henter og sammensætter de arkiverede objekter, som en webside består af og afspiller dem igen (se også afsnit 2.5 om arkiveret web som en rekonstruktion). Det gør den bl.a. ved at omskrive alle links (Taylor, 2012), så de kommer til at linke fra og til arkiverede ressourcer. På den måde giver softwaren mulighed for, at man kan surfe i arkivet på samme måde, som man er vant til fra det levende web. Samtidig kan man også navigere tidsmæssigt rundt i arkivet ved fx at hoppe mellem versioner af samme webside, som er arkiveret på forskellige tidspunkter. Wayback Machine søgefunktion er baseret på URL- opslag, dvs. den eneste indgang til arkivet er ved at søge på en specifik URL. (Se mere om Wayback Machines funktionalitet i afsnit om søgemuligheder i Netarkivet). Generelt er de fleste interfaces til webarkiver på nuværende tidspunkt baseret på en form for URL- opslag, evt. kombineret med simple søgninger, fx på en bestemt tidsperiode (Thomas et al., 2010 s. 23). Men nogle arkiver har allerede i et stykke tid givet mulighed for andre typer søgninger, og der arbejdes løbende på at udviklingen af adgangen til arkiverne. En oplagt mulighed er fritekstsøgning, som giver nogle helt andre muligheder for at fremfinde materiale, men som også potentielt skaber nye udfordringer ift. data overload (også for brugerne). Søgemulighederne vil ofte hænge sammen med arkivets størrelse, for jo større arkivet er, og jo hurtigere det vokser, jo større en opgave vil det være at lave den indeksering, som er forudsætningen for fritekstsøgninger. 11 På samme måde kan høstningsstrategier have betydning for efterfølgende søgemuligheder, som vi ser det i nogle arkiver, hvor der kan browses i forskellige emner, evt. i alfabetisk rækkefølge. Det giver god mening i samlinger, der er indsamlet ved tematisk høstning, og hvor de arkiverede versioner af websites derfor allerede er definerede som tilhørende et tema/emne. Et webarkiv vil som regel også indeholde forskellige metadata, som har betydning i udviklingen af nye søgemuligheder. Man kan fx arbejde på at benytte flere typer data fra warc filer, crawl logs, indices og lignende til at søge på forskellige måder i arkiverne. Det kommer også an på, hvad det er for nogle type data, man er interesserede i at få adgang til, og hvad man skal bruge dem til. 9 Ifølge Taylor (2012) er Wayback Machine den mest benyttede software used to replay the contents of ISO- standard Web ARChive (WARC) file containers (ibid.), som er det format, som Heritrix- høsteren arbejder med. 10 Alexa Internet arbejdede tæt sammen med Internet Archive især i de første år af arkivets historie (Kimpton & Dubois, 2006). 11 Derudover kan der også være nogle juridiske aspekter forbundet med det, da fritekstsøgninger giver mulighed for at kombinere data på en anden måde en URL- opslag giver, og dermed er der større udfordringer ift. fx persondatabeskyttelse (for de arkiver og lande, som går op i den slags!). 20

21 2.5 Det arkiverede materiales kendetegn Der er mange udfordringer forbundet med webarkivering: tekniske, økonomiske, lovgivningsmæssige m.m. Nogle af de største udfordringer set fra forskerens perspektiv må dog siges at være to forhold, dels at det er umuligt at arkivere alt, og at de valg, der træffes har betydning for objektet: Web archiving is often a matter of choices, as perfect and complete archiving is unreachable. (Masanes, 2005 s. 77) Dels at det objekt, som man forsøger at fastholde, når man arkiverer web, i de fleste tilfælde ændres i kraft af selve arkiveringen. 12 Man kan argumentere for, at det faktisk ikke kan lade sig gøre helt at fastholde web. Vi må dog alligevel forsøge, da alternativet sat på spidsen er, at vi ikke kan anvende web i forskning. Man kan måske have en forventning om, at det, der er i arkivet, er en kopi af det, der var på det levende web, men det er sjældent (hvis nogensinde) tilfældet. Forskeren kan altså ikke vide, om det objekt, der findes i arkivet, har set præcis sådan ud, da det fandtes på det levende web (Brügger, 2005), eller om de dele, som indgår i en arkiveret version af et website i arkivet nogensinde har eksisteret samtidig. For at skabe de bedste forudsætninger for forskningsbrug af arkiveret web, må vi derfor være bevidste om, hvad der kendetegner arkiveret web, og hvilke forholdsregler vi må træffe i forlængelse heraf Rekonstruerede versioner Som nævnt indledningsvis kan man beskrive arkiveret web som genfødt- digitaliseret materiale, og det skyldes denne ændring af objektet, som sker i form af selve arkiveringen: the process of archiving creates the archived web on the basis of what was once online: the born- digital web material is reborn in the archive. (Brügger, 2012 s. 108) Når man går ind i et webarkiv og får vist en arkiveret version af et website (ud fra en bestemt URL og en valgt tidskode), så er det, man ser, en rekonstruktion og ikke en kopi af et site. Rekonstruktionen er skabt i to steps. Først i selve arkiveringsprocessen (høstningen), hvor der er truffet en masse valg om strategier og værktøjer (URL er, dybde, bredde, filtyper, tid, håndtering af objekter der ikke umiddelbart kan høstes osv.), 13 som får betydning for, hvordan materialet i arkivet kan komme til at se ud. Dernæst i visningen i det interface, der anvendes til at tilgængeliggøre samlingen (materialet i arkivet). Det kan fx være et interface, der simulerer en webserver, der leverer indhold, som vises i en browser, sådan som Wayback Machine gør. Når brugeren laver en forespørgsel i Wayback Machine ved at vælge én af de arkiverede versioner fra resultatlisten (kalendervisningen), som er fremkommet ved at søge på en URL (jf. afsnit 2.4 og 3.2.4), så skaber Wayback Machine er version ved at sammensætte de relevante objekter, som tidligere er blevet høstet og arkiveret og dermed stabiliseret (Brügger, 2010 s. 7; Schneider et al., 2010 s. 213). Den måde, softwaren Wayback Machine er lavet, påvirker objektet. Man kan derfor kalde versionen for en rekonstruktion. Det betyder dog ikke, at det er en helt tilfældig sammensætning af objekter, da sammensætningen er 12 Dele af dette kapitel er bygget på afsnittet Arkiveret web som forskningsobjekt fra min ph.d.- afhandling (Nielsen, 2014). 13 Jf. Brügger (2005), Masanes (2005) og Schneider, Foot & Wouters (2010) om strategier for webarkivering. 21