Kaedah pemeliharaan

1. Senaraikan tangkapan melalui indeks CDX

Kami menyoal indeks CDX Internet Archive dengan satu pekerja dan sela sekurang-kurangnya enam saat. Had bilangan permintaan, saiz data dan masa diumumkan. Hasil dipaginasi dan titik sambung disimpan selepas setiap halaman supaya kerja yang terhenti boleh diteruskan tanpa ulangan.

• 403 atau akses ditolak: berhenti dan semak manual, tanpa memintas.
• 429, 503 atau “Temporarily Offline”: tunggu dengan sela bertambah secara cermat, kemudian berhenti dan catat keadaan.
• Setiap permintaan direkodkan: pautan, status, saiz, tempoh dan hasil.

2. Perkara yang dikira

Kami melaporkan setiap ukuran secara berasingan:

• Baris tangkapan: rekod CDX tersimpan; setiap tangkapan ialah URL dan masa.
• urlkey berbeza: URL seperti dinormalkan arkib, termasuk variasi parameter carian.
• Rekod kanonik: satu laluan setiap halaman selepas protokol, subdomain www dan port diseragamkan.
• Cap jari unik: kandungan yang berbeza menurut cap jari arkib.
• Pengekstrakan dan penerbitan berbeza: pertama dalaman, kedua tersedia kepada pembaca dengan izin.

ID seperti /mat/107647 ialah pengecam, bukan jumlah; jumlah bahan tidak disimpulkan daripadanya.

3. Pilih tangkapan untuk setiap URL

Kami menilai semua tangkapan setiap URL: status 200, jenis HTML, saiz berbanding median dan tarikh sebelum kandungan asal terhenti. Tangkapan sihat terbaru dipilih; jika gagal diekstrak, kami guna yang lebih lama. Sebab pemilihan dan penolakan dicatat pada halaman setiap bahan.

4. Pengekstrakan dan keselamatan

• Respons mentah disimpan tanpa perubahan, bersama cap jari SHA-256, dalam storan kandungan persendirian.
• Pengekstrak cermat mengambil tajuk, pengarang, bahagian dan teks, lalu membuang skrip, bingkai, gaya serta pengendali peristiwa.
• Tarikh tangkapan bukan tarikh terbitan. Jika halaman tiada tarikh, kami nyatakannya.
• Komen pembaca dan forum dikecualikan kerana kandungannya dijana pengguna.
• Kod yang diarkibkan tidak pernah dilaksanakan pada domain kami.

5. Teks asal dan edisi yang disunting

Teks asal yang diekstrak tidak boleh diubah; ekstraksi baharu menghasilkan rekod baharu. Edisi ilmiah ialah lapisan berasingan dengan versi dan nota editorial. Penerbitannya memerlukan semakan hak serta kelulusan dua penyemak ilmiah bebas daripada penyunting.

6. Storan dan sandaran

Sasaran kami ialah dasar 3-2-1-1-0: tiga salinan disahkan pada dua media, satu di luar tapak, satu tidak boleh diubah atau ditadbir berasingan, dan sifar ralat ujian pulih. Kami paparkan keadaan sebenar; replikasi bukan sandaran.

7. Kecerdasan buatan

Tag, transkripsi dan ringkasan automatik ialah cadangan untuk semakan manusia, bukan sumber asal, dan tidak digunakan untuk mengeluarkan fatwa atau hukum.