Hier werden die Vorüberlegungen und Schritte zur Erstellung eines digitalen Archives notiert. Zunächst als Gedächtnisstütze oder für andere Menschen mit ähnlichen vorhaben.

Inhaltsverzeichnis

Archivsysteme (Stand Ende 2015)
1. Linksammlung zum rechtlichen Rahmen
digitale Archivaliensoftware
Referenzverwaltung
Digitalisierung
vom Original zur Archivalie im Onlinearchiv
Installation & Einrichtung Semantic Mediawiki
Datentransfer von Zotero zu SMW
1. Zotero Export

Archivsysteme (Stand Ende 2015)

es existieren viele digitale Findmittel
- http://ariadne.uni-greifswald.de/images/Ariadne/index.html - für MV, enthält keine Dokumente
deutsche digitale bibliothek: https://www.archivportal-d.de/
Stadtarchiv Rostock hat teilweise digitalen Index: http://www.stadtarchiv-rostock.findbuch.net/
vollständig digitaliserte Inhalte von Archiven sind selten
- Vorreiter z.B. Köln nach Einsturz, Crowdsourcing von Urkunden

Linksammlung zum rechtlichen Rahmen

https://irights.info/artikel/rechtspflicht-zur-amnesie-digitale-inhalte-archive-und-urheberrecht/18101 - digitale Langzeitarchivierung
http://www.uni-potsdam.de/emoon/fileadmin/user_upload/eingangsgrafiken/modul_5/Texte/Urheberrecht_Fremde_Materialien_zur_Verfuegung_stellen.pdf - Vervielfältigung und Zugänglichmachung fremder Materialien
http://www.medienscouts-nrw.de/einscannen-von-zeitungsartikeln-3/ - Zeitungsartikel scannen und veröffentlichen
https://www.gesetze-im-internet.de/bundesrecht/urhg/gesamt.pdf - Urheberrechtsgesetz

digitale Archivaliensoftware

Semantic Mediawiki

https://www.semantic-mediawiki.org
Archive die (Semantic) Mediawikis nutzen:
Einschätzung zur Eignung für Archive:
- http://archiv.twoday.net/stories/97042331/
- verbreitetes Bedienkonzept
- webbasiert
- maschinenlesbar
- Übersichten, Eingabemasken etc. schnell erstellbar
- flexible Strukturierung & Abbildung von Datensätzen
- mehrsprachig
- Benutzer_innenverwaltung
- verbreitete Import- & Exortfunktionen
- Open Source, keine Herstellerabhängigkeiten
- gängige Administration, kein Spezialwissen notwendig
- große, langlebige Entwicklungscommunity
  - Hauptentwicklung durch Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) Karlsruhe; Weiterentwicklung durch EU- und Firmenprojekte
  - Grundlage bildet Mediawiki, dass durch die Wikimedia Foundation begleitet wird
- automatisierbar -- https://www.mediawiki.org/wiki/Manual:Pywikibot
- erweiterbar -- https://www.mediawiki.org/wiki/Semantic_Bundle

ICARUS

http://icar-us.eu/
betreiben:
- monasterium (400.000 mittelalterliche Urkunden)
  - sehr gut dokumentiert
  - https://github.com/icaruseu/mom-ca/wiki
  - unterstützt durch http://coop-project.eu/

Topothek

http://www.topothek.at/
Firma die online Portal anbietet

ICA-AtoM

http://wiki.archivesportaleuropefoundation.eu/index.php/Main_Page

accesstomemory

http://accesstomemory.org
(noch) keine deutsche übersetzung

Namenforschung

http://www.namenforschung.net
nutzen exist DB und typo3 Anbindung - aufwändig

Omeka

https://omeka.org/
Open Source Plattform für online Sammlungen und Ausstellungen
vom Roy Rosenzweig Center For History And New Media
(noch) keine deutsche Übersetzung aber Möglichkeit dafür angelegt

Referenzverwaltung

https://en.wikipedia.org/wiki/Comparison_of_reference_management_software
Zotero
- multiuser Synchronisation - looft
- Export als rdf, csv;
- https://github.com/urschrei/pyzotero - Python API

Digitalisierung

vom Original zur Archivalie im Onlinearchiv

Originalvorlage scannen
- glatt Auflegen, damit die Grundline der Schrift beim Scannen keine Wölbung hat
- hohe Auflösung wählen
- keine oder verlustfreie Kompression
- in offenem Dateiformat speichern
Scan in ähnliches Format bringen
- Ränder, Werbung und andere Fragmente wegschneiden
- Grundlinie horizontal ausrichten
- ggf. schärfen, Kontrast erhöhen
Archivalie in Archiv ablegen
- siehe Handbuch (Todo verlinken)
digitale Archivalie im Softwarearchiv anlegen
- neue Seite im Wiki
Texterkennung
- automatisierte Texterkennung neuer Archivalien läuft regelmäßig im Hintergrund
- erkannter Fließtext wird als Unterseite zur Archivalie verlinkt
- Indizierung der neuen Inhalte
Suchmaske für Index

Texterkennung

Welche automatisiert nutzbare Open Source Software gibt es?

https://help.ubuntu.com/community/OCR - guter Überblick
- tesseract
- cuneiform
- scantailor
- unpaper

tesseract

Artikel als jpg speichern und mittels tesseract Text extrahieren:
```
tesseract artikel.jpg artikel -l deu -psm 1
```

der Vorgang lässt sich gut parallelisieren:

parallel -j 2 tesseract {} {.} -l deu -psm 1 ::: /pfad/zu/bildern/*.jpg

Dateiformate

für bild+text -> pdf/a
pdf mit ocr layer erzeugen:
- https://github.com/jbarlow83/OCRmyPDF
- http://www.konradvoelkel.com/2013/03/scan-to-pdfa/
weitere:

Indizierung + Volltextsuche

http://www.lesbonscomptes.com/recoll/ recoll - Dateien indizieren
https://github.com/koniu/recoll-webui webrecoll - webbasierte Suche (python/bottle)
https://www.mediawiki.org/wiki/Extension:CirrusSearch CirrusSearch - Inhalte im Mediawiki indizieren

Installation & Einrichtung Semantic Mediawiki

Vorbereitung

Debian Jessie aufsetzen -- http://debian.org

notwendige Softwarepakete installieren:

aptitude install git php5-curl php5-cli php5-json php5-readline php5-fpm php5-apcu php5-intl php5-gd php5-mysql mariadb-common mariadb-server nginx-full imagemagick ghostscript poppler-utils

composer installieren
- von der Webseite holen und entpacken -- https://getcomposer.org/download/
- systemweit nutzbar machen:
```
mv composer.phar /usr/local/bin/composer
```
DNS entsprechend anpassen (hier als Bsp.: das-digitale-archiv.org)

Mediawiki Installation

Mediawiki Software holen, entpacken und verlinken:

cd /var/www/
wget https://releases.wikimedia.org/mediawiki/1.27/mediawiki-1.27.1.tar.gz
tar zxf mediawiki-1.27.1.tar.gz
ln -s mediawiki-1.27.1 mediawiki
chown -R www-data. mediawiki*

* nginx config anlegen:

server {
    server_name das-digitale-archiv.org;
    root /var/www/mediawiki;
    index index.php;

    client_body_timeout 120;
    client_max_body_size 300m;

    location / { 
        try_files $uri $uri/ @rewrite;
    }   

    location @rewrite {
        rewrite ^/(.*)$ /index.php?title=$1&$args;
    }   

    location ^~ /maintenance/ {
        return 403;
    }   

    location ~ \.php$ {
        include fastcgi_params;
        fastcgi_pass unix:/var/run/php5-fpm.sock;
        fastcgi_param  SCRIPT_FILENAME  $document_root$fastcgi_script_name;
        try_files $uri @rewrite;
    }   

    location ~* \.(js|css|png|jpg|jpeg|gif|ico)$ {
        try_files $uri /index.php;
        expires max;
        log_not_found off;
    }   

    location = /_.gif {
        expires max;
        empty_gif;
    }   

    location ^~ /cache/ {
        deny all;
    }   

    location /dumps {
        root /var/www/mediawiki/local;
        autoindex on; 
    }   
}

Dateiuplaodgrenze erhöhen in /etc/php5/fpm/php.ini:
```
upload_max_filesize = 300M
post_max_size = 300M
```

nginx config aktivieren:

ln -s /etc/nginx/sites-available/ /etc/nginx/sites-enabled/
systemctl restart nginx.service php5-fpm.service

mysql db & user anlegen:

mysql -p
> CREATE DATABASE archiv;
> CREATE USER 'archiv_user'@'localhost' IDENTIFIED BY 'lk345vlk12asdaijrapogf';
> GRANT ALL PRIVILEGES ON archiv.* TO 'archiv_user'@'localhost';
> FLUSH PRIVILEGES;
> exit;

Mediawiki Installationsroutine im Browser aufrufen (http://das-digitale-archiv.org)
- mysql Datenbank, Benutzer und Passwort angegeben
- Einstellungen zu Uploads, Lizenzen usw. treffen
- abschließend wird eine Datei LocalSettings.php erzeugt, diese runterladen & ins mediawiki Verzeichnis kopieren (z.B. /var/www/mediawiki/)
Damit ist die Installation des Mediawikis abgeschlossen.

SMW Installation

Semantic Mediawiki als Erweiterung (extension) des Mediawikis installieren:
```
cd /var/www/mediawiki/
composer require mediawiki/semantic-media-wiki "~2.4" --update-no-dev
php maintenance/update.php
```
- ~2.4 entsprechend der gewünschten SMW Version anpassen (2.4 war Ende 2016 die stabile Version)

in LocalSetting.php ergänzen:

# SMW im Mediawiki aktivieren
enableSemantics( 'http://das-digitale-archiv.org' );

# Anzeige der Faktenbox steuern
$GLOBALS['smwgShowFactbox'] = SMW_FACTBOX_NONEMPTY;

# Breadcrumb fuer Kategorien anzeigen 
$wgUseCategoryBrowser = true;

# Hochladen aller Dateitypen erlauben (nicht für öffentliche Wikis empfohlen)
$wgEnableUploads = true;
$wgCheckFileExtensions = false;
$wgStrictFileExtensions = false;
$wgVerifyMimeType = false;

# PDF Dateien verarbeiten (Vorschau etc.)
require_once "$IP/extensions/PdfHandler/PdfHandler.php";

# Inhaltsverzeichnisse und Baumansichten für Kategorien
require_once "$IP/extensions/CategoryTree/CategoryTree.php";

nach Änderungen an Konfiguration und Erweiterungen -> Cache leeren:
```
php maintenance/clearInterwikiCache.php
```
schauen, ob alles läuft: http://das-digitale-archiv.org/index.php?title=Spezial:Version

Erweiterungen, Nacharbeiten, Optimierungen

Extensions

Funktionale Erweiterungen werden bei Mediawiki als 'extension' installiert. Das bereits installierte Semantic Mediawiki ist so eine Erweiterung für Mediawikis.

https://www.mediawiki.org/wiki/Extension:PdfHandler -- pdf Thumbnails, inline Textsuche
https://www.mediawiki.org/wiki/Extension:CategoryTree -- erzeugt Inhaltsverzeichnisse auch für Kategorien
https://www.mediawiki.org/wiki/Extension:Semantic_Drilldown - Kategorien semantisch durchstöbern

Skins

Das Aussehen des Mediawikis lässt sich mittels 'skins' verändern.

https://www.mediawiki.org/wiki/Skin:Foreground - basiert auf foundation
- Einige Buttons erhalten nicht die richtige CSS Klasse. Bis der Patch eingearbeitet ist in mediawiki/includes/EditPage.php ab Zeile 3990 die Buttons um Folgendes erweitern: 'class' => 'button'
https://www.mediawiki.org/wiki/Skin:Tweeki - basiert auf bootstrap

optionale Mediawiki Anpassungen

automatisierte Aufgaben können je nach Serverauslastung pro Seitenaufruf ablaufen oder per cron
- php maintenance/showJobs.php - welche Aufgaben stehen an
- php maintenance/runJobs.php - Aufgaben direkt abarbeiten
  - folgende Zeile in der crontab führt die Aufgaben jede Nacht um 1:11 aus: 11 1 * * * php /var/www/mediawiki/maintenance/runJobs.php > /var/log/nginx/mediawikicron.log
- php maintenance/rebuildtextindex.php - Index für Textsuche neu aufbauen

Mediawiki Fehlersuche

Wird statt des Wikis eine "MWException" angezeigt hilft, in der LocalSettings.php folgende Zeile bei der Fehlersuche:
```
$wgShowExceptionDetails = true;
```
nach Änderungen ruhig mal den Cache leeren:

cd /var/www/mediawiki/maintenance
php5 clearInterwikiCache.php
php5 rebuildLocalisationCache.php --force

Unable to move the new CDB file into place.

Fehler: "/index.php MWException from line 118 of /data/mediawiki/includes/cache/localisation/LCStoreCDB.php: Unable to move the new CDB file into place."
Ursache: kein Verzeichnispfad in Config angegeben oder unzureichende Berechtigungen dafür
Lösung siehe: https://www.mediawiki.org/wiki/Topic:T7me7nu8tmlj8dhd

Ausgabe steuern

NOTOC and TOC
NOFACTBOX and SHOWFACTBOX

SMW Kategorien Links aktualisieren

cd /var/www/mediawiki/maintenance
php5 refreshLinks.php

elasticsearch als Suchmaschine nutzen

Überblick: https://www.mediawiki.org/wiki/Extension:CirrusSearch
- wir brauchen Elasticsearch, Elastica und Cirrussearch

Elasticsearch

die Version in Debian/Jessie ist veraltet
Achtung! CirrusSearch kommt nur mit Versionen bis 1.x klar, diese nutzen Java 7
download & installieren:
```
aptitude install openjdk-7-jre
wget https://download.elastic.co/elasticsearch/elasticsearch/elasticsearch-1.7.1.deb
dpkg -i elasticsearch-1.7.1.deb
```
- Falls der Server nicht startet, überprüfe ob genug RAM für den Start des Servers frei ist (syslog oder /var/log/elasticsearch/elasticsearch.log).

Elastica

download & install:

cd /tmp/
wget https://extdist.wmflabs.org/dist/extensions/Elastica-REL1_27-4607acf.tar.gz
tar zxf /tmp/Elastica-REL1_27-4607acf.tar.gz -C /var/www/mediawiki/extensions/
cd /var/www/mediawiki/extensions/Elastica
composer install --no-dev

LocalSettings.php um folgendes ergänzen:
```
wfLoadExtension( 'Elastica' );
```

CirrusSearch

https://www.mediawiki.org/wiki/Extension:CirrusSearch

LocalSettings.php um folgendes ergänzen:

require_once( "$IP/extensions/CirrusSearch/CirrusSearch.php" );
$wgDisableSearchUpdate = true;
$wgCirrusSearchServers = array( 'localhost');

CirrusSearch Config initialisieren:

php extensions/CirrusSearch/maintenance/updateSearchIndexConfig.php

SearchUpdate aktivieren; das war nur zur Initialisierung notwendig:
```
$wgDisableSearchUpdate = false;
```

Suchindex erstellen:

php extensions/CirrusSearch/maintenance/forceSearchIndex.php --skipLinks --indexOnSkip
php extensions/CirrusSearch/maintenance/forceSearchIndex.php --skipParse

abschließend in LocalSettings.php CirrusSearch als Standardsuche setzen:
```
$wgSearchType = 'CirrusSearch';
```

Fehlersuche Elasticsearch

Wurde der Server gestartet?
- netstat -lpn |grep 9200
- oder im Browser aufrufen: http://das-digitale-archiv.org:9200

Ist der Suchindex aktuell?

neu erstellen:

php extensions/CirrusSearch/maintenance/forceSearchIndex.php --skipLinks --indexOnSkip
php extensions/CirrusSearch/maintenance/forceSearchIndex.php --skipParse

Datentransfer von Zotero zu SMW

Zotero Export

Export als CSV Datei (direkt aus Zotero heraus)
oder https://github.com/urschrei/pyzotero

SMW Import

via webinterface https://www.mediawiki.org/wiki/Extension:Data_Transfer
eleganter und vollautomatisiert geht's mit Pywikibot
- https://www.mediawiki.org/wiki/Manual:Pywikibot

Pywikibot installieren

https://www.mediawiki.org/wiki/Manual:Pywikibot/Third-party_Wiki_Quick_Start
grob die notwendigen Schritte:
- pywikibot-core installieren
- user-config.py anlegen und anpassen
  - family
  - usernames
- family.py Datei generieren
- testen

alle Schritte im Detail:

aptitude install python-pip cython libmysqlclient-dev

wget http://tools.wmflabs.org/pywikibot/core_stable.tar.gz
tar zxf core_stable.tar.gz
cd core_stable
pip install -r requirements.txt
python generate_family_file.py http://das-digitale-archiv.org archiv
python3 pwb.py login
python3 pwb.py basic -v -dry -page:Hauptseite

fehler bei generate_family
- das Script läuft zum einen nicht mit python3
- und es braucht für diesen Schritt Leserechte im Wiki; teporär freigeben in LocalSettings.php
```
$wgGroupPermissions['*']['read'] = true;
```

Pywikibot nutzen

Für Pywikibot gibt es ein Fülle an Scripte für spezielle Anwendungsfälle. Darin zunächst stöbern kann später vlt. eigene Programierarbeit sparen helfen zumindest gibt es einen guten Überblick in die API. Die Scripte liegen im pywikibot Verzeichnis unter scripts

python3 pwb.py scripts/login.py -- Bot am Wiki anmelden
- python3 pwb.py login -- Bot anmelden, wie oben nur weniger tippen
- ... category tree -- Baumansicht von Kategorien
  - add, move, remove, ...
- ... checkimage -- Dateianhänge checken (z.B. auf Lizenz, Template)
- ... delete -page:SandKasten -- Seite SandKasten löschen
- ... editarticle -- Wikiseiten mit deinem lokalen Lieblingseditor bearbeiten
- ... isbn -- Fehler bei ISBN Nummern erkennen, Format ändern
- ... movepages
- ... pagefromfile -- Wikiseiten aus einer Datei anlegen
- ... replace -- Inhalte ersetzen, oder auch ISBNs reparieren
- ... upload -- Dateien anhängen

weitere Doku zu Pywikibot

https://doc.wikimedia.org/pywikibot/api_ref/pywikibot.html#module-pywikibot.page
pywikibot/scripts/basic.py bietet einen guten Startpunkt für eigene Scripte

Pywikibot beschleunigen

Der Bot geht recht sparsam mit den Ressourcen des Wikiservers um. Zum Testen und für große Importe sind die Wartezeiten zwischen den Seitenaufrufen unnötig und lassen sich in der Datei user-config.py durch folgende Zeile minimieren:

minthrottle = 0 
maxlag = 0