Méthode de préservation

1. Recenser les captures dans l’index CDX

Nous interrogeons l’index CDX d’Internet Archive avec un seul processus et au moins six secondes entre les requêtes, dans des limites annoncées pour leur nombre, le volume de données et la durée. Nous procédons par pages et enregistrons un point de reprise après chacune afin de poursuivre sans doublons.

• En cas de réponse 403 ou de refus d’accès, nous arrêtons et examinons la situation manuellement ; nous ne cherchons pas à contourner le refus.
• Pour une réponse 429, 503 ou une page Temporarily Offline, nous attendons avec un délai progressif prudent, puis arrêtons et consignons l’état.
• Chaque requête est journalisée avec son URL, son statut, son volume, sa durée et son résultat.

2. Ce que nous comptons

Nous distinguons les mesures :

• Lignes de capture : enregistrements CDX stockés ; une capture associe une URL et un horodatage.
• urlkeys distinctes : URL normalisées par l’archive, y compris les variantes de paramètres.
• Documents canoniques : un chemin par page après normalisation du protocole, du sous-domaine www et du port.
• Empreintes distinctes : contenus réellement différents selon l’empreinte de l’archive.
• Extrait et publié sont deux étapes différentes. L’extraction reste interne ; la publication exige une autorisation.

Les identifiants tels que /mat/107647 ne sont pas des décomptes. Nous n’en déduisons pas le nombre de documents.

3. Choisir une capture pour chaque URL

Nous évaluons le statut, le type HTML, la taille par rapport à la médiane et la date de fin du contenu original. Nous retenons la capture saine la plus récente, puis une capture antérieure si l’extraction échoue. Les motifs de sélection et d’exclusion sont consignés sur chaque fiche.

4. Extraction et sécurité

• La réponse brute est conservée sans modification avec son empreinte SHA-256 dans un stockage privé adressé par contenu.
• Un extracteur prudent relève le titre, l’auteur, la rubrique et le texte, et supprime scripts, cadres, styles et gestionnaires d’événements.
• La date de capture n’est pas présentée comme date de publication. Si la page ne précise pas de date, nous le disons.
• Les commentaires et sections de forum sont exclus car ils sont rédigés par les utilisateurs.
• Aucun code archivé n’est exécuté sur notre domaine.

5. Original et édition critique

Le texte extrait original est immuable ; une nouvelle extraction crée un nouvel enregistrement. Une édition critique constitue une couche distincte, avec numéro de version et note éditoriale. Elle n’est publiée qu’après vérification des droits et approbation de deux chercheurs indépendants de son éditeur.

6. Stockage et sauvegardes

Notre objectif 3-2-1-1-0 prévoit trois copies vérifiées, sur deux supports, dont une hors site et une immuable ou administrée séparément, et zéro erreur lors des tests de restauration. Nous publions l’état réel et ne considérons pas la réplication comme une sauvegarde.

7. Intelligence artificielle

Les étiquettes, transcriptions ou résumés automatiques restent des propositions en attente de relecture humaine. Ils ne sont pas attribués à la source et ne servent pas à émettre une fatwa ou un avis religieux.