Tecnologia

As tecnologias de software usadas no Arquivo da Web Portuguesa são disponibilizadas principalmente pelo projecto Archive-access que aglutina várias ferramentas gratuitas e de código-aberto úteis para arquivar a web.

Inicialmente, as diversas iniciativas de arquivo da web trabalharam de forma praticamente independente, desenvolvendo os seus próprios sistemas de raiz. Esta situação levou a um grande desperdício de recursos.

Os problemas relacionados com o arquivo da web eram sentidos por todos, mas cada um ocupava-se de tentar resolvê-los sozinho. Ou seja, o mesmo problema era repetidamente resolvido sem necessidade.

Por outro lado, a web não parava de crescer e novos problemas surgiam a cada dia. Tornou-se óbvio que seria necessário juntar esforços para em conjunto tentar arquivar a web com sucesso. Surgiu assim o projecto Archive-access, que tem como principal contribuidor o Internet Archive.

A maior parte do software a ser utilizado no projecto de Arquivo da Web Portuguesa é de código-fonte aberto tendo em vista facilitar a preservação da informação arquivada e manutenção do sistema a longo prazo.

• O batedor usa o Heritrix;
  
• A pesquisa por URL baseia-se na Wayback Machine;
  
• A pesquisa por termo no motor de busca NutchWax;
  
• O processamento distribuído dos dados é feito recorrendo ao Hadoop, uma poderosa plataforma para processamento paralelo gratuita suportada pela Apache Software Foundation;
  
• O sistema operativo usado é principalmente o Red Hat Enterprise Linux;
• A principal linguagem de programação usada é o Java;
• Como sistemas de suporte ao desenvolvimento e publicação na web usamos o Plone, Apache http server, Tomcat, Mediawiki e o Zope.

Toda esta tecnologia gratuita e de código-aberto constitui uma valiosa base para a criação do sistema de Arquivo da Web Portuguesa.

No entanto, as ferramentas específicas para o arquivo da web são tecnologia de ponta e estão em permanente evolução, não constituindo assim produtos "prontos-a-usar".

Frequentemente, os processos de instalação e operação não estão documentados e existem erros e incompatibilidades entre versões. Pelo que, a decisão de usar ferramentas do Archive-access exige que nos envolvamos na sua melhoria e na resolução dos problemas da preservação da web.