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

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:

  • http://archiv.ub.uni-stuttgart.de/UAMatrikel/index.php/Hauptseite

  • http://encyclopedia.1914-1918-online.net/project/faq/

  • http://docupedia.de/zg/Hauptseite

  • http://www.verwaltungskooperation.at/

  • http://www.gardenology.org/

• 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:

  • https://github.com/JazzCore/python-pdfkit

  • https://github.com/rst2pdf/rst2pdf

  • https://github.com/mstamy2/PyPDF2

  • http://www.devshed.com/c/a/Python/Python-for-PDF-Generation/

  • libreoffice headless
  • cups

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