Linux-Magazin Der Aufbruch (Vorschau)

Software
www.linux-magazin.de Bitparade 06/2013
46
Langzeitarchivierung
Dauerlösung
Digitale Dokumente der Zeitgeschichte sind flüchtiger als Stein, Pergament oder Papier. Drei Archivierungstools
helfen gegen das Vergessen und sichern Internetauftritte. Mela Eckenfels, Heike Jurzik
© Fedor Selivanov, 123rf.com
Das Internet vergisst nichts! Von wegen,
die durchschnittliche Lebensdauer einer
Webseite beträgt laut Internet Archive
nur 77 Tage [1]. Die Flüchtigkeit digitaler
Informationen bereitet vor allem den Archiven
Kopfzerbrechen, die zunehmend
mit Hilfe dynamischer Webanwendungen
publizieren. Stadt-, Regional- und Kommunalarchive
sind nach den Archivgesetzen
der Länder verpflichtet ihre Daten
zu speichern, aber auch Instituts- oder
Unternehmensarchive möchten solche Inhalte
aufbewahren. Es reicht längst nicht
mehr aus, einfache Backups der Internetpräsenz
auf zukunftssicheren Medien
zu speichern – in nur 20 Jahren dürfte
selbst ein geschickter Admin ein heute
zeitgemäßes Contentmanagement-System
kaum installieren können.
Viele Archive behelfen sich, indem sie
einzelne relevante Seiten in Handarbeit
als PDF-Dateien sichern [2]. Ein solches
Vorgehen kann jedoch nicht mehr als eine
Notlösung sein. Abhilfe versprechen auf
Langzeitarchivierung spezialisierte Tools.
Neben sehr teuren kommerziellen Lösungen
werben auch einige Open-Source-
Vertreter um die Gunst der Archivare.
Httrack [3], die Netarchive Suite [4] und
das Web Curator Tool [5] zeigen in dieser
Bitparade unter Ubuntu 12.10 und auf
einem Cloud-Linux (Amazon, basierend
auf RHEL 5), wie sie digitale Informationen
aufbewahren.
Die Tester ließen die Werkzeuge Daten
von unterschiedlichen Contentmanagement-Systemen,
Blog- und Forensoftware
erheben. Sie wählten eigene Webseiten,
um sicherzustellen, dass der jeweilige
Crawler auf alle Inhalte zugreifen durfte.
E Httrack
Den Auftakt macht das älteste Tool. Den
unter der GPL veröffentlichten Offlinebrowser
Httrack [3] gibt es bereits seit
zehn Jahren. Er steht auf der Projektseite
für Linux-, BSD- und Windows-Systeme
zum Download bereit. Im Test trat die
aktuelle Version 3.46 vom Juni 2012 an.
Das in C programmierte Werkzeug benötigt
für den Betrieb keine Datenbank.
Linux-Anwender nutzen es entweder
auf der Kommandozeile oder über ein
Web interface. Zusätzlich ist ein in Qt implementiertes
GUI namens Httraqt [6]
verfügbar.
Auf einem Standard-Linux-System ist
Httrack schnell eingerichtet. Pakete für
Debian, Ubuntu, Gentoo, Fedora, Red
Hat und Mandriva bietet die Downloadseite.
Auf einigen Distributionen, so auch
auf dem Ubuntu-Testrechner, gibt es zwei
Pakete – eins für das Kommandozeilentool
(»httrack«) und eins für das Webinterface
(»webhttrack«). Ersteres bietet
zwei Betriebsarten: Entweder startet der
Anwender über Eingabe von »httrack«
den interaktiven Modus und beantwortet
Fragen oder er gibt über Aufrufparameter
seine Wünsche an. Die Manpage und der
Befehl »httrack ‐‐help« listen die wichtigsten
Optionen auf.
Wiedererkennungswert?
Das Webinterface fragt die gleichen Dinge
ab wie das interaktive Shelltool. Zunächst
möchte Httrack einen Projektnamen einrichten,
danach ein Verzeichnis für das
lokale Archiv. Benutzer geben nun die zu
archivierende URL an und wählen aus,
ob sie die Webseite mit oder ohne Hilfe
des Assistenten spiegeln, nur die Zieldatei
speichern, alle Links der URL spiegeln
oder einfach nur die Links testen möchten.
Um ein möglichst komplettes Archiv
zu erhalten, empfiehlt sich die Arbeit mit
dem Assistenten, der detaillierte Fragen
stellt (siehe Abbildung 1).