Az Országos Széchényi Könyvtár Digitális Bölcsészeti Központjának Digitális Filológiai és Webarchiválási Osztálya webarchiválási tevékenységének részeként jelentősebb eseményekről különgyűjteményeket készít, amelyekbe hírportálok anyagai, az eseményhez kapcsolódó webhelyek és közösségimédia-oldalak kerülnek bele. Az eddigi válogatások közül az orosz–ukrán konfliktus és az atlétikai világbajnokság gyűjteményeihez készült publikus keresőfelület.

A 2024-es párizsi  olimpia és paralimpia esetében is elvégeztük az ún. eseményalapú gyűjtést, amelynek keretében több mint 160 forrásból mentünk tartalmakat. Ezek többsége hírportál, de a címlista tartalmazza a rendezvényhez szorosan kapcsolódó webhelyeket vagy azok releváns részeit, valamint a közösségimédia-oldalakat is. Az automatikus aratás ún. seed URL-ekről elindulva történik és mivel egész weboldalakat archiválunk, nem küszöbölhető ki, hogy a hírportálokról mentett anyag esetében bizonyos, az eseményhez nem kapcsolódó tartalmak is letöltésre kerüljenek, például további ajánlott cikkek. Az archiválás 2024. július 16-án indult és az olimpia ideje alatt napi rendszerességgel történik, azt követően pedig még egy ideig hetente egyszer lementjük az új híreket. (Ezen a videón az eseményalapú különgyűjtemények weboldala és a NYAROL2024 kódjelet kapott olimpiai különgyűjtemény seed-listája látható.)

A dán nemzeti könyvtár munkatársai évek óta fejlesztik a SolrWayback nevű keresőmotort és megjelenítőt, amely az Apache Solr-on alapul, és lehetővé teszi az archivált webes tartalomban (a webhelyek szövegében és más elemeiben, pl. képekben) való részletes keresést, és a találatok megjelenítését. (A nyilvános archívumunk esetében kipróbálható teljes funkcionalitásában.) A nyári olimpiáról szóló hírekhez készült kereső az http://olimpia2024public.webharvest.oszk.hu/solrwayback címen érhető el. A keresőmező melletti kérdőjelre kattintva részletes, magyar nyelvű leírás olvasható.  A mentések jogi akadályok miatt csak az Országos Széchényi Könyvtár olvasótermében tekinthetők meg, viszont a találati listák a nyilvános keresőben tovább szűrhetők, számos metaadatot tartalmaznak, valamint adatvizualizációk és adatkészletek is előállíthatóak belőlük. (Egy keresési példa itt nézhető meg, ezen a harmadik videón pedig a magyar olimpiai részvételről szóló Wikipédia szócikk eredeti és archivált verziója látható.)

A mai nappal elkezdtük aratni a 2024-es párizsi nyári olimpiával és paralimpiával kapcsolatos híreket, egyelőre heti gyakorisággal, de július 26-a után a rendezvény ideje alatt majd naponta. A kiindulásként használt címek listája itt látható.

A Labdarúgó EB alkalmából kigyűjtöttük az Internet Archive-ból az mlsz.hu oldal mentéseit és minden évről készítettünk egy-két képernyőfotót. A képekből összeállított PowerPoint innen tölthető le, a videóváltozat pedig a YouTube-on nézhető meg.

A mai napon elkezdtük gyűjteni a 2024-es Labdarúgó Európa Bajnoksággal kapcsolatos híreket, melyeket heti rendszerességgel fogunk aratni. A seed-lista itt nézhető meg.

Az elmúlt napokban jelentősen bővítettük a Karikó Katalinnal kapcsolatos cikkekből és egyéb weboldalakból álló különgyűjteményünket, melynek címlistáját közösen gondozzuk a Szegedi Egyetem Klebelsberg Könyvtárának munkatársaival. Most nagyrészt a Nobel-díj bejelentése, 2023 októbere óta megjelent hazai és külföldi híreket és videókat, illetve közösségi média posztokat gyűjtöttük össze, majd megpróbáltuk lementeni őket a Browsertrix, illetve néhány esetben az ArchiveWeb.page programokkal. A tavalyi válogatással egyesített és duplumszűrésen átesett, több mint 7800 tételes címlista itt található, a lementett weboldalak teljes szövegében pedig itt lehet keresni. Jogi okokból csak a metaadatok jelennek meg a találati listában, maguk az archivált fájlok az OSZK olvasótermében erre kijelölt gépeken nézhetők meg.

Egy újabb tematikus válogatást állítottunk össze, ezúttal a szolgáltatás, a kereskedelem, a szállítás és a közlekedés tematikájába sorolható webhelyekből. A SZOLGKER kódnevet kapott részgyűjtemény első aratására most került sor. A 8766 tételes címlistából kiindulva közel 4,9 millió URL-t töltött le a robot 19 óra alatt, fél terabájt összméretben. A webhelyek listája itt böngészhető, az aratás statisztikája pedig itt nézhető meg.

Megkezdődött az internetes tartalmak megőrzésével foglalkozó intézményeket tömörítő nemzetközi konzorcium, az IIPC idei közgyűlése és konferenciája Párizsban. A rendezvénysorozat egyik kapcsolódó eseménye a fiatal kutatók számára megszervezett „Early Scholars Spring School on Web Archives” című workshop, melynek második napján az OSZK webarchiválási csoportjának vezetője, Kalcsó Gyula is részt vesz az egyik kerekasztal beszélgetésen. Az ehhez készült „Web Archiving and its Research Use at the National Széchényi Library (Hungary)” című prezentációja letölthető a honlapunkról.

Kalcsó Gyula, a webarchiválási csoport vezetője „Képek és metaadataik gyűjteményezése scrapingtechnológiával közösségi képmegosztó oldalról” címmel tartott előadást Egerben az idei Networkshop konferencián. A prezentáció innen tölthető le.

Összeállítottunk egy különgyűjteményt a 2016 szeptemberében megszűnt Balassi Intézet és a korábban általa irányított külföldi magyar kulturális intézetek honlapjainak mentéseiből, melyek a Heritrix, illetve a HTTrack programokkal készültek 2020 nyarán, néhány héttel a webszerverek végleges lekapcsolása előtt. A nyilvánosan is megtekinthető oldal itt érhető el.

Az Országos Széchényi Könyvtár „csevej” sorozatának 20. adásában Kalcsó Gyulával, a webarchiválási csoport vezetőjével hallható egy félórás beszélgetés, főként a webscraping technológiáról és az archivált tartalmak kutathatóvá tételéről. A műsor a nemzeti könyvtár blogjába beágyazott Youtube lejátszóval hallgatható meg, de elérhető a Spotify-on és a Podcast.hu-n is.