منهجية الحفظ
١. الحصر عبر فهرس CDX
نستعلم عن فهرس أرشيف الإنترنت بعامل واحد وبفاصل لا يقل عن ست ثوانٍ بين الطلبات، وبميزانية معلنة لعدد الطلبات وحجم البيانات والوقت. نستخدم الترقيم بالصفحات ونحفظ نقطة استئناف بعد كل صفحة، فإذا توقّف العمل استؤنف دون تكرار.
- استجابة 403 أو رفض وصول: نتوقف ونراجع يدويًا، ولا نحاول الالتفاف.
- استجابة 429 أو 503 أو صفحة Temporarily Offline: ننتظر بتصاعد محافظ، ثم نتوقف ونسجّل الحالة.
- كل طلب يُسجَّل: الرابط والحالة والحجم والمدة والنتيجة.
٢. ما الذي نعدّه؟
لا نخلط بين المقاييس. ننشر كلًّا منها منفصلًا:
- صفوف اللقطات: سجلات CDX المخزّنة، واللقطة الواحدة رابط مع زمن.
- الروابط المميّزة (urlkey): الروابط كما يطبّعها الأرشيف، ومنها متغيّرات بمعاملات استعلام.
- المواد القياسية: مسار واحد لكل صفحة بعد توحيد البروتوكول والنطاق الفرعي www والمنفذ.
- البصمات المميّزة: محتويات مختلفة فعلًا بحسب بصمة الأرشيف.
- المستخرج والمنشور حالتان مختلفتان؛ الأولى داخلية، والثانية متاحة للقرّاء بإذن.
أرقام معرّفات المواد مثل /mat/107647 معرّفات وليست أعدادًا، ولا نستنتج منها عدد المواد.
٣. اختيار اللقطة لكل رابط
نقيّم كل اللقطات لكل رابط: الحالة 200، ونوع HTML، والحجم مقارنة بالوسيط، وأن تكون قبل تاريخ توقّف المحتوى الأصيل. نختار أحدث لقطة سليمة، فإن فشل استخراجها رجعنا إلى الأقدم. أسباب الاختيار والاستبعاد محفوظة ومعروضة في صفحة كل مادة.
٤. الاستخراج والسلامة
- نحفظ الاستجابة الخام كما هي مع بصمتها SHA-256 في مخزن خاص قائم على المحتوى.
- نستخرج العنوان والكاتب والقسم والنص بمستخرج محافظ، ونحذف السكربتات والإطارات والأنماط ومعالجات الأحداث.
- لا نستخدم تاريخ اللقطة على أنه تاريخ نشر. إن لم تذكر الصفحة تاريخًا قلنا ذلك صراحة.
- تعليقات القرّاء وأقسام المنتديات مستبعدة لأنها محتوى ينشئه المستخدمون.
- لا يُنفَّذ أي كود مؤرشف على نطاقنا مطلقًا.
٥. الأصل والطبعة
النص الأصلي المستخرج سجل غير قابل للتعديل؛ إعادة الاستخراج تُنشئ سجلًّا جديدًا. الطبعة المحقّقة طبقة منفصلة لها رقم إصدار وملاحظة تحريرية، ولا تُنشر إلا بموافقة مراجعَين علميَّين مستقلَّين غير محرّرها، وبعد التحقق من الحقوق.
٦. التخزين والنسخ الاحتياطي
نتبنّى سياسة 3-2-1-1-0 هدفًا: ثلاث نسخ متحقَّق منها، على وسيطين، واحدة خارج الموقع، وواحدة غير قابلة للتعديل أو منفصلة الإدارة، وصفر أخطاء في اختبارات الاستعادة. نعرض الحالة الفعلية ولا نفترض أن النسخ المتماثل نسخة احتياطية.
٧. الذكاء الاصطناعي
أي وسم أو تفريغ أو تلخيص آلي يُعرض اقتراحًا بانتظار المراجعة البشرية، ولا يُنسب إلى المصدر، ولا يُستخدم لإصدار فتوى أو حكم.