高校重要網(wǎng)頁信息采集歸檔實踐探析

陳建平/浙江工商大學

高校重要網(wǎng)頁信息指高等院校在網(wǎng)絡上直接形成的、有保存價值的數(shù)字化信息資源，這些信息具有原始性、憑證性特點，是“高校記憶”的重要組成部分，是數(shù)字時代高校檔案部門的重要收集內容。高校重要網(wǎng)頁是一種不斷變化與更新的動態(tài)資源，保持高速增長的同時也大批消亡，若不及時采取措施進行收集，其消亡之后再也無法獲取。因此，高校重要網(wǎng)頁信息采集歸檔重要而且緊迫。

1 采集歸檔方式選擇

高校重要網(wǎng)頁信息形式多樣，包括文本、圖像、音頻、視頻等多種表現(xiàn)方式；所屬網(wǎng)址雖不盡相同，但總體上所屬網(wǎng)站、版塊相對集中，較其他類別的重要網(wǎng)頁信息更易采集歸檔?？紤]到高校重要網(wǎng)頁信息特點以及采集歸檔所需的人財物等因素，高校重要網(wǎng)頁信息采集歸檔一般采取網(wǎng)絡爬蟲收集和人工采集相結合的方式，以實現(xiàn)對有價值的網(wǎng)頁進行采集、過濾、提取與批量上載等一體化歸檔工作流程。為此，高校檔案部門應該配備相應的專業(yè)技術人員，以及采集工具、計算機及存儲設備等軟硬件設施。

2 采集歸檔流程分析

首先，確定采集歸檔范圍，明確采集對象。高校檔案部門可以根據(jù)實際需要確定重要網(wǎng)頁信息歸檔范圍，以及歸檔網(wǎng)頁信息的保存方法。目前一些高校主要針對本校官方網(wǎng)站、各部門（處、室）、各學院辦公網(wǎng)站發(fā)布的動態(tài)新聞以及各大主流媒體網(wǎng)站中有關本校的重大事件的報道進行采集歸檔，如浙江大學以其官網(wǎng)上的浙大簡訊版內容塊作為采集歸檔的主要對象之一。關于歸檔網(wǎng)頁的保存方法，大多數(shù)高校選擇網(wǎng)頁快照。

其次，確定采集歸檔標準，設置采集模式。技術人員對采集對象的網(wǎng)站及頁面信息結構進行分析，在本地安裝采集軟件并設置采集模式。一般來說，采集軟件經(jīng)過設置可以自動采集指定網(wǎng)站、所需版塊以及特定頁面，生成網(wǎng)站鏡像或網(wǎng)頁快照等，并獲取著錄所需的字段信息，比如題名、發(fā)布者、發(fā)布時間、來源網(wǎng)址等；同時采集軟件支持各種標準格式信息資源的采集，如HTML頁面、文件信息、表格、圖片、聲音、視頻等。借助采集軟件，技術人員對高校重要網(wǎng)頁與內聯(lián)圖片進行統(tǒng)一采集；在視頻文件采集過程中對關鍵幀進行提取，生成高質量無損壓縮影像；對單篇網(wǎng)頁及網(wǎng)站歷史數(shù)據(jù)進行批量采集。

再者，確定組件方式，整理入庫。技術人員對歸檔網(wǎng)頁信息的著錄性規(guī)范進行審核，審核內容包括題名命名規(guī)則、檔號自動編制格式、元數(shù)據(jù)采集標準等，在此基礎上將采集的文本內容批量上傳到全文數(shù)據(jù)庫中，實現(xiàn)內容發(fā)布與全文檢索等利用服務。

3 采集歸檔注意事項

3.1 采集工具及標準問題

高校重要網(wǎng)頁采集歸檔是一個新興的課題，目前還沒有完美的采集工具和歸檔標準。檔案行政管理部門也沒有對采集工具進行過測試，沒有推薦采集工具，更沒有出臺相應的行業(yè)標準。為此，高校要根據(jù)實際情況選擇采集工具及標準，并要考察工具能否保留網(wǎng)頁內容的元數(shù)據(jù)和功能。

3.2 采集鑒定及分類問題

采集工具經(jīng)過設置能夠自動對相應的網(wǎng)頁信息進行采集，生成網(wǎng)頁檔案，并進行初步分類。在此基礎上技術人員要對系統(tǒng)自動生成的網(wǎng)頁檔案及其元數(shù)據(jù)信息進行審核和完善；必要時要進行全文閱覽，以便制作高質量的著錄及標引；還要進行分類審核及完成入庫工作。

3.3 采集質量及數(shù)量問題

在采集歸檔實踐中，既要保證高校重要網(wǎng)頁信息的質量，也要保證數(shù)量。目前的做法是，使用自動過濾系統(tǒng)跟蹤目標站點，將網(wǎng)頁中的信息（如日期、標題、作者、版塊等）提取出來，再對采集工具設置自動去重功能，實現(xiàn)信息自動去重。在采集過程中，可以定義一個或多個主題詞，對網(wǎng)頁內容進行過濾，較為精確地獲取與采集主題相關的網(wǎng)頁內容；對于下載的網(wǎng)頁，采集工具自動進行信息過濾，剔除廣告及其他無用的信息，智能提取有價值的信息內容，生成網(wǎng)頁快照，用于歸檔保存。