Método de conservación

1. Capturas del catálogo a través del índice CDX

Consultamos Internet Archive con un proceso y seis segundos entre solicitudes, dentro de los límites de solicitudes, datos y tiempo. Paginamos y guardamos un punto de reanudación para continuar sin duplicados.

• Ante 403 o denegación de acceso, paramos y revisamos; no eludimos la restricción.
• Ante 429, 503 o «Temporarily Offline», esperamos con pausas prudentes; luego paramos y registramos el estado.
• Registramos cada solicitud: URL, estado, tamaño, duración y resultado.

2. Lo que contamos

Mantenemos distintas medidas separadas:

• Filas de capturas: registros CDX guardados; cada captura tiene URL y hora.
• urlkey: URL normalizadas por el archivo, incluidas variantes con parámetros de consulta.
• Páginas canónicas: una ruta por página tras normalizar protocolo, subdominio www y puerto.
• Huellas distintas: contenido diferente según el hash del archivo.
• Extracción y publicación son distintas: la extracción es interna; publicar requiere permiso.

Identificadores como /mat/107647 no son recuentos; no deducimos de ellos el número de materiales.

3. Seleccione una captura para cada URL

Evaluamos las capturas por código 200, tipo HTML, tamaño frente a la mediana y fecha anterior al fin del contenido original. Elegimos la válida más reciente y, si falla la extracción, probamos una anterior. Los motivos constan en cada ficha.

4. Extracción y seguridad

• Guardamos la respuesta original y su SHA-256 en un almacén privado basado en contenido.
• Un extractor prudente recoge título, autor, sección y texto, y elimina scripts, marcos, estilos y eventos.
• No confundimos la fecha de captura con la de publicación. Si la página no indica fecha, lo decimos.
• Se excluyen comentarios y foros por ser contenido creado por usuarios.
• El código archivado nunca se ejecuta en nuestro dominio.

5. Texto original y ediciones revisadas

El texto extraído es inmutable; repetir la extracción crea otro registro. La edición crítica es independiente, con versión y nota, y se publica tras revisar derechos y obtener la aprobación de dos especialistas independientes del editor.

6. Almacenamiento y copias de seguridad

La meta 3-2-1-1-0: tres copias verificadas en dos soportes, una externa, otra inmutable o con administración separada y cero errores en pruebas de recuperación. Publicamos el estado real y no contamos réplicas como copias de seguridad.

7. Inteligencia artificial

Etiquetas, transcripciones y resúmenes automáticos son propuestas sujetas a revisión humana; no se atribuyen a la fuente ni sirven para fatuas o dictámenes.