Brugermanual til Netarkivet. Del II Wayback-søgning

Transkript

1 Brugermanual til Netarkivet Del I Fritekstsøgning Del II Wayback-søgning Del III Workspace setup et eksempel April

2 Indholdsfortegnelse DEL I Fritekstsøgning via knappen Netsearch/Blacklight... 3 Log på... 3 Introduktion... 4 Først test søgning... 4 Søgemuligheder... 5 Text... 5 URL/domain... 6 Links... 6 Facetter... 7 Sortering... 8 Søgeresultat:... 9 Visning af det komplette indeks:... 9 Avanceret søgning Felt søgning Interval søgning Filtrer Troubleshooting Potentiel opstartsfejl: DEL II URL Søgning via Wayback Brug af Wayback Vær opmærksom på at Sådan refereres til en web side Sådan fremfindes en reference til en web side DEL III workspace setup et eksempel

3 DEL I Fritekstsøgning via knappen Netsearch/Blacklight Log på Først skal du logge på Citrix og klikke på IE WayBack PROD knappen. Hvis din Citrix Reciever ikke starter op efter lidt tid, så ryd din browser historik, log på igen og og klik på Registrer Recieveren og på Åben Citrix Reciever launcher og login. Dernæst skal du vælge, om du vil direkte til Wayback, eller om du vil bruge fritekstsøgningen via NetsearchBlacklight. Vælg NetsearchBlacklight (klik på det billedet med sort baggrund) 3

4 Introduktion Sådan ser start-siden ud: Du må regne med meget store søgeresultater, da arkivet indeholder milliarder af dokumenter. Enkelte søgninger kan godt tage over 10 sekunder. Jo mere specifik en søgning er, jo hurtigere kan den give svar og jo mindre bliver antallet af resultater. Først test søgning Skriv søgeord search indstastningsfeltet øverst i midten. Prøv at søg på netarkivet.dk: 4

5 Søgemuligheder Som default søges på alle tilgængelige søgefelter, via All Fields. Dette kan afgrænses til mere specifikke søgninger via de andre søgemuligheder: Text Giver kun resultaterne, hvor søgeteksten findes i titel eller indholdsteksten (felterne title og content_text). 5

6 URL/domain Søger kun på URL og domain felterne. Links Søger på links felterne (links_hosts og links_domains) 6

7 Facetter Når du har lavet en søgning, kan du bruge facetterne til at afgrænse resultatet: Prøv at afgrænse søgningen med et par forskellige facetter: 7

8 Sortering Søgeresultatet kan sorteres på flere forskellige måder: Antal resultater I udgangspunktet vises kun 10 søgeresultater ad gangen, men du kan selv vælge hvor mange du vil have vist via XX per page dropdown-menuen: 8

9 Søgeresultat: For hvert søgeresultat vises en masse forskellige felter. Den første linje har søgeresultat-nummeret (her 157 og 158) efterfulgt af linket til wayback (dækket af enten titlen på dokumentet eller den URL, som de er høstet fra hvis der ikke er en titel). Wayback linket åbnes i en ny tab eller et nyt vindue. Den efterfølgende linje indeholder link det komplette indeks for det givne resultat (forklares senere). Derefter kommer nogle relevante indeks-felter dette er bare et forslag, og det vises på default måden. Visning af det komplette indeks: Ved at klikke på complete index linket i en søgning, kan du få det fulde indeks for et givent søge-dokument. Som vist neden for starter siden med at vise noget af den vigtigste information om søgedokumentet, herunder link til wayback. Derefter vises alle felterne fra det SOLR dokument, som dækker over det givne søgeresultat. I udgangspunktet vises alle felterne fra SOLR-indekset, med undtagelse af et _version_ felt, der udelukkende bruges til intern SOLR opdatering. Der er helt sikkert flere af disse felter, som vi kan undlade. 9

10 Avanceret søgning I søge feltet kan du indtaste avancerede søgninger på specifikke felter med specifikke værdier, intervaller og filtre. Felt søgning Det er muligt at lave søgninger på specifikke felter ved at skrive felt:text i søgefeltet. F.eks. er der feltet author i søgeresultatet ovenfor, hvor vi kan søge på Margaret Blake som forfatter: Vi kan også bare søge på, hvilke sider/dokumenter der har en forfatter tilknyttet (altså, hvor karakteriserings-værktøjerne har fundet en forfatter): 10

11 Intervalsøgning Der er nogle felter, hvor det giver mening at lave et interval til ens søgninger, f.eks. datostempler. Ved at bruge feltet wayback_date (som er høstningsdatoen i format: yyyymmddhhmmss ) kan du f.eks. lave et interval fra på følgende måde: Det kan også være et åbent interval, f.eks. alt inden 1. juni 2012: 11

12 Det er også muligt at kombinere almindelig interval med en almindelig søgning, f.eks. alt inden 1. juni 2012, der omhandler netarkivet.dk: Filtrer Det er muligt at sige, at du gerne vil filtrere nogle søgeresultater fra. Dette gøres ved at tilføje et minus foran en specifik søgning, -felt:værdi, f.eks. hvis du vil finde alle sider, der handler om netarkivet.dk, men ikke er på domænet netarkivet.dk: Omvendt kan du få listet dem som kun er på netarkivet.dk ved at skrive plus i stedet foran domain-feltnavnet eller blot undlade noget fortegn f.eks.:domain: netarkivet.dk. 12

13 Du kan se den fulde søge-syntax på engelsk her: 13

14 Troubleshooting Potentiel opstartsfejl: Der kan være nogle problemer med startsiden i Citrix, så den ser forkert ud: I så fald lav en søgning på netarkivet.dk (som vist oven for), og tryk på search -knappen igen, når du får resultat-siden: 14

15 Så burde siden komme op i det rigtige format: 15

16 DEL II URL Søgning via Wayback Brug af Wayback Når du er logget på Wayback får du følgende skæmbillede op: Skriv din søge-url i Enter Web Address: feltet og klik på Take Me Back. Her ses alle de datoer i UTC tid ( se evt. ) - altså 1 eller 2 timer før vores tid (alt afhængig af om vi har vintertid eller sommertid) - som netarkivet.dk er blevet høstet på. Ved at holde musen hen over en dato får du en provenienskode til selve høstningen og navnet på warc opbevaringsfilen: jobnr-høstningsid-dato-løbenr-server. Klikker du på en given dato, får du den høstede side op. Læg mærke til provenienskoden øverst er tilføjet et nummer til sidst, som angiver eksakt offset i den fil som websiden ligger i. Vær opmærksom at denne dato og tidspunktet nedenfor i top bjælken er høsterens nedskrivningstidspunkt i UTC tid for den høstede webside. Øvrige tidspunkter på siden er normal dansk tid. 16

17 Du kan udføre lokal print ved at højreklikke på siden og vælge print - under forudsætning af, at du har defineret en lokal printer. Derudover kan du se den tekniske opbygning af siden ved at højreklikke og vælge View Source. Ønsker du at se din webhistorik og evt. gemme favoritter, så klik på stjernen i øverste højre hjørne i mellem huset og tandhjulet ( standard Windows browserfunktionalitet). De gemmes i din profil på serveren indtil profilen gendannes eller slettes. Ønsker du at ændre kodeord, så klik efter login på dit navn øverst til højre: Vær opmærksom på at topbarens tid måske ikke stemmer overens med den høstningsdato og -tid du har klikket på: så tøm cachen og historikken via <ctrl>+<shift>+<del> og prøv igen. svartiden på visse sider kan tage op til 70 sekunder, hvis der er rigtig mange links på en side. der gives svaret Not in archive eller også vises en tidligere høstet side med samme url, når en url ikke findes i arkivet. Det kan typisk ske, når et domæne pludselig begynder at linke til at helt andet domæne, som ikke indgår i høstningen. nogle domæner er høstet overraskende mange gange samme dag. Det skyldes i reglen nogle hyppige selektive høstninger eller overlappende høstninger, fx via en anden høstning af andre domæner, hvor der fx er link til domænets forside, fx dr.dk og tv2.dk, som linker til bla. sa.dk. For facebook.com søgninger: Lad være med at bruge forside-url en, men anvend url er til profiler/sider som fx 17

18 Wayback kan være nærtagende mht. /. Hvis for eksempel søgning på url en næsten ikke giver resultater så søg også på https/ftp urler pt. ikke kan ses via Wayback, selvom de er høstede. Det gælder bl.a. nyere sider samt facebook-profiler (dog ikke mobil interfacet), twitter.com profiler, nyere Youtube watch-urler og -videoer, e-bøger fra Publizon. Fejlen du får er : http bad request The webpage cannot be found. Tøm cachen og historikken via <ctrl>+<shift>+<del> og vælg en anden høstning, som ikke er https baseret. der er opsat sikkerhedsfiltre, som forhindrer adgang til OAI høstede e-bøger fra bl.a. Museum Tusculanum. Wayback løbende bliver indekseret (normalt op til for 1-2 døgn siden, men kan i undtagelsestilfælde blive forsinket op til 3 måneder send en mail til info@netarkivet.dk hvis du er i tvivl). * efter høstningsdatoen i kalendervisningen betyder at siden er ændret i forhold til den foregående høstning. forespørgsler nogen gange kan hænge længe pga. nogle bagvedliggende softwareblokeringer, som vi arbejder på at få løst. Du skal bare prøve igen lidt senere. der ikke er foretaget en del domænehøstninger i 2008 pga. driftsnedbrud (pt. kendes ca. 82). alt, hvad du søger på, bliver logget. at visse websider kan fremstå fragmentariske, blandt andet pga. avanceret javascript - f.eks. manglende reklamespots eller billeder. notere og sende de url er til info@netarkivet.dk, som du synes burde være der (det kan være at de ikke er blevet indexeret rigtigt, eller ikke kan vises i Wayback). Sådan refereres til en web side Det mest præcise er URL + proveniens kode og tidspunktet for den aktuelle sides nedtagning øverst på arkiv websiden i top bjælken. Disse ting tilsammen angiver eksakt, hvad for en URL i arkivet, der henvises til. F.eks. kunne en henvisning se sådan ud: sb-prod-har- 005.statsbiblioteket.dk.warc/ (9:01:06 jan 7, 2014 i UTC tid). Det eksakte nedtagningstidspunkt for websiden, finder du under versions angivelsen i topbjælken f.eks.: Viewing version of :01:06 jan 7, 2014 Tiden i proveniensoplysningerne er UTC tid dvs. er 1 eller 2 timer før dansk normal tid - alt afhængig af om det er dansk vintertid eller sommertid. Screenshots kan være udmærkede at supplere med, men de kan let være utydelige og svære at aflæse for udenforstående. Derudover bør du i forbindelse med fremlæggelse af screenshots være opmærksom på, at der ikke vises noget, som kræver tilladelser vedr. personfølsomme oplysninger eller hvor ophavsret kan gøres gældende. Sådan fremfindes en reference til en web side F.eks. har du referencen: sb-prod-har- 18

19 005.statsbiblioteket.dk.warc/ ( 9:01:06 jan 7, 2014 i UTC tid). Via URL + høstningsdato og tid kan du i Wayback kalender visning finde den eksakte side på følgende måde: URL fremsøges i Wayback og i kalendervisningen findes den høstning som matcher høstnings dato og tidspunkt f.eks :01. Når du holder musen hen over datoen og tidspunktet skal strengen f.eks sb-prod-har- 005.statsbiblioteket.dk.warc være den samme som i den angivne reference. 19

20 DEL III workspace setup et eksempel Klik på favorites i browser-toolbaren i Citrix, klik på den grønne pil til venstre lige over favorites fanebladet. Højreklik på de enkelte links i søgeresultat og åbn et nyt faneblad med siden hentet fra Wayback. 20

21 Du kan nu klikke på fanebladene et for et og sammenligne de enkelte udgaver. Hvis du ønsker at se alle høstninger vedr. en url så klik på et nyt faneblad og log på Wayback søg f.eks. på netarkivet.dk og få den fulde kaldendervisning. 21

22 Hvis du ønsker at gemme alle dine faneblade til næste gang du logger på så klik på Add current tabs to favorites for at gemme dine aktuelle faneblade. Tilføj navnet for folderen det bliver gemt i. 22

23 Klik på folderen og se dine enkelte faneblade i folderen. Når du logger ind igen senere kan du bare klikke på en enkelt af dem eller på folderen for at få dine faneblade genetableret. 23