王程程 穆佳桐

一、黨政機(jī)關(guān)重要網(wǎng)頁電子文件歸檔需求分析

網(wǎng)絡(luò)資源保存項目最早由歐美國家提出和開始實施，自1996 年開始，澳大利亞、加拿大、瑞典等國就由國家圖書館或檔案館著手實施這類項目。此后網(wǎng)絡(luò)資源保存的思想擴(kuò)散到其他國家，使得有更多的國家參與進(jìn)來，不過負(fù)責(zé)這類項目的機(jī)構(gòu)通常都是各國的國家圖書館，而檔案館則較少參與進(jìn)來，目前已有加拿大、英國等國家的國家檔案館開始實施這類項目。檔案機(jī)構(gòu)承擔(dān)著對互聯(lián)網(wǎng)的黨政機(jī)關(guān)重要網(wǎng)頁電子文件進(jìn)行歸檔的責(zé)任，對這類機(jī)構(gòu)的重要網(wǎng)頁電子文件進(jìn)行歸檔十分重要?；ヂ?lián)網(wǎng)中黨政機(jī)關(guān)的重要網(wǎng)頁資源具有很高的價值，這種價值體現(xiàn)在歷史、文化、研究和經(jīng)濟(jì)等方面，對這些重要網(wǎng)頁電子文件的歸檔給予足夠的重視，是保存和實現(xiàn)這些網(wǎng)絡(luò)資源價值的固有要求。此外，重要網(wǎng)頁自身的特點也要求對歸檔工作給予足夠重視，否則整個社會將面臨這些網(wǎng)頁資源一旦失去后眾多歷史記錄缺失的風(fēng)險。

首先，重要網(wǎng)頁具有檔案資源的原始記錄性?；ヂ?lián)網(wǎng)中的信息真實記錄了黨政機(jī)構(gòu)網(wǎng)絡(luò)活動的真實表現(xiàn)和行為，這些信息以文字、圖像、聲音等豐富的形式展現(xiàn)出來，能夠生動直觀地反映國家、社會和各級黨政機(jī)構(gòu)的網(wǎng)絡(luò)生活和社會民生，因而具備了檔案資源所具有的原始記錄性，從這個意義講，重要網(wǎng)頁資源與檔案的本質(zhì)屬性是共通的。

其次，重要網(wǎng)頁具有檔案資源的易逝性。根據(jù)美國國會圖書館發(fā)布的一項調(diào)查報告顯示，有四成的網(wǎng)站會在一年以后消失，而網(wǎng)頁消失的速度則更快，網(wǎng)頁資源的平均壽命只有短短的44 天?？梢韵胂?，一個包含了聲音、文字和視頻等多種形式信息的網(wǎng)頁最終難逃因為網(wǎng)站建設(shè)變更、內(nèi)容調(diào)整或更新而消失的最終命運，這些網(wǎng)頁資源如果沒有得到有效保存，都將無聲地消失在互聯(lián)網(wǎng)中，這要求我們對黨政機(jī)關(guān)的重要網(wǎng)頁資源進(jìn)行歸檔保存。

最后，重要網(wǎng)頁具有檔案資源的價值性。檔案的價值主要體現(xiàn)在檔案能夠?qū)δ愁悘氖掠嘘P(guān)社會實踐活動的社會主體或個體產(chǎn)生某種效用，而網(wǎng)頁完全具備了作為記錄網(wǎng)絡(luò)活動相關(guān)信息的真憑實據(jù)作用，因而也具有了檔案的憑證和情報價值。以曾經(jīng)影響很大的騰訊珊瑚蟲案為例，在該案的庭審中，原告律師向法庭提出了一個重要證據(jù)，該證據(jù)顯示騰訊官方網(wǎng)站旗下的科技頻道曾經(jīng)在其網(wǎng)頁上提供了可供用戶下載珊瑚蟲相關(guān)的產(chǎn)品鏈接，該證據(jù)來源于美國互聯(lián)網(wǎng)檔案館（http://web.archive.org/）網(wǎng)頁數(shù)據(jù)庫，從該庫中，我們可以找到2005 年10 月31 日記錄該證據(jù)的相應(yīng)鏈接地址，正因為有了該證據(jù)，案件判決最終受到了很大影響，這充分說明了重要網(wǎng)頁的憑證作用[1]。

二、黨政機(jī)關(guān)重要網(wǎng)頁電子文件歸檔管理實現(xiàn)模式

1.黨政機(jī)關(guān)重要網(wǎng)頁電子文件的創(chuàng)建。

（1）網(wǎng)頁電子文件創(chuàng)建格式。對黨政機(jī)關(guān)重要網(wǎng)頁電子文件的創(chuàng)建格式進(jìn)行統(tǒng)一和規(guī)范，納入到歸檔管理范圍的網(wǎng)頁電子文件涵蓋網(wǎng)站發(fā)布的通知、公告及各類公文信息，這些網(wǎng)頁電子文件的創(chuàng)建順序?qū)⒁晕募陌l(fā)布時間為序，網(wǎng)頁電子文件的內(nèi)容格式則以網(wǎng)頁（html）、PDF 等格式呈現(xiàn)，若不是這些格式，統(tǒng)一將其轉(zhuǎn)化為這些格式進(jìn)行歸檔保存[2]。

（2）網(wǎng)頁電子文件的創(chuàng)建背景信息。對于大多數(shù)黨政機(jī)關(guān)而言，其網(wǎng)站上發(fā)布的重要網(wǎng)頁電子文件基本上都沒有明示該電子文件的背景信息，如文件的發(fā)布機(jī)構(gòu)、發(fā)布時間、內(nèi)容主題、效力級別等，因此還需要對所創(chuàng)建的網(wǎng)頁電子文件標(biāo)注其背景信息。

2.黨政機(jī)關(guān)重要網(wǎng)頁電子文件的采集。

（1）采集對象。通過對黨政機(jī)關(guān)重要網(wǎng)頁電子文件進(jìn)行初步的調(diào)研，我們已經(jīng)大致明確了重要網(wǎng)頁電子文件在網(wǎng)站中的采集范圍，即各級黨政機(jī)關(guān)發(fā)布的法規(guī)規(guī)章、文件、統(tǒng)計公報、財政預(yù)算、政府采購、重大項目、民生熱點、公共安全等方面的信息，這些信息大多都以文本的形式存在，部分文件中包含了圖片和視頻等信息，對于這些多媒體信息，我們會對其是否需要保存進(jìn)行慎重評估。

（2）采集方式。在明確網(wǎng)頁電子文件的采集對象范圍以后，還需要確定應(yīng)該采取何種方式從黨政機(jī)關(guān)的網(wǎng)站上將這些網(wǎng)頁電子文件采集下來。采集方式的選取要考慮重要網(wǎng)頁電子文件的完整性，估計可能需要采集的時間，評估所獲取信息的質(zhì)量情況，以及這些網(wǎng)頁電子文件的內(nèi)容價值等，進(jìn)而決定是采取淺層采集方式還是深層采集方式。

（3）采集工具。通常來說，采集一個黨政機(jī)關(guān)單位網(wǎng)站的網(wǎng)頁電子文件可以有兩種主要工具，分別是Heritrix 和HTTrack。其中，Heritrix 可相對完整、精確地將整個網(wǎng)站的信息抓取下來，這種工具適用于對比較大規(guī)模的黨政機(jī)關(guān)網(wǎng)站重要電子文件進(jìn)行抓取。而HTTrack 這種工具則更加側(cè)重于對網(wǎng)頁進(jìn)行鏈接分析，借助該工具可以掌握黨政機(jī)關(guān)網(wǎng)站文件的結(jié)構(gòu)特征，可通過該工具對黨政機(jī)關(guān)網(wǎng)站的重要網(wǎng)頁電子文件進(jìn)行深層次的抓取[3]。因此，可根據(jù)實際需要有針對性地選用這兩款軟件。

（4）采集頻率。由黨政機(jī)關(guān)網(wǎng)站網(wǎng)頁電子文件的價值或重要性決定。檔案管理部門根據(jù)上級相關(guān)部門提出的黨政機(jī)關(guān)重要網(wǎng)頁電子文件價值評估體系，制定“黨政機(jī)關(guān)重要電子文件價值評估計分表”，對黨政機(jī)關(guān)網(wǎng)站上發(fā)布的各類網(wǎng)頁電子文件的價值進(jìn)行評估和精確計分，再根據(jù)網(wǎng)頁電子文件的得分確定針對該文件的具體采集頻率。根據(jù)網(wǎng)頁電子文件的價值或重要性得分情況，將各類網(wǎng)頁電子文件分為三等，分別是非常重要文件、比較重要文件和一般重要文件。其中，“非常重要文件”可每月采集；“比較重要的文件”可每個季度采集；一般重要文件”可每年采集。

3.黨政機(jī)關(guān)重要網(wǎng)頁電子文件的數(shù)據(jù)管理。對黨政機(jī)關(guān)重要網(wǎng)頁電子文件實施數(shù)據(jù)管理，也就是要對黨政機(jī)關(guān)網(wǎng)站上發(fā)布的網(wǎng)頁電子文件進(jìn)行相關(guān)的著錄描述，應(yīng)對所獲取的網(wǎng)頁電子文件的內(nèi)容、結(jié)構(gòu)、生成背景及其在各部門之間的流轉(zhuǎn)過程、原本存儲該電子文件的系統(tǒng)平臺信息進(jìn)行記錄和標(biāo)注，以準(zhǔn)確的語言和格式對網(wǎng)頁電子文件對象及其組成元素進(jìn)行精準(zhǔn)描述，從而使所歸檔和存儲的網(wǎng)頁電子文件與黨政機(jī)關(guān)的其他電子文件建立起關(guān)聯(lián)關(guān)系。只有這樣才能有效地保證網(wǎng)頁電子文件在內(nèi)容上的真實性、完整性和可讀性，進(jìn)而生成能夠用于長期保存的黨政機(jī)關(guān)重要網(wǎng)頁電子文件數(shù)據(jù)包。針對黨政機(jī)關(guān)重要網(wǎng)頁電子文件的數(shù)據(jù)管理和內(nèi)容描述元數(shù)據(jù)工作，主要由檔案管理部門以及黨政機(jī)關(guān)的信息部門負(fù)責(zé)實施。

4.黨政機(jī)關(guān)重要網(wǎng)頁電子文件的存儲。

（1）存儲內(nèi)容。對重要網(wǎng)頁電子文件進(jìn)行存儲，不僅要存儲網(wǎng)頁電子文件本身的內(nèi)容信息，還可能會涉及網(wǎng)頁電子文件的背景、技術(shù)、環(huán)境、管理等相關(guān)信息，這些信息描述了該電子文件的完整信息。

（2）存儲格式。目前，國際通用的政府電子文件存儲格式為WARC（Web Archiving File Format），該格式在2009 年被正式確立為電子文件檔案格式的國際標(biāo)準(zhǔn)，該標(biāo)準(zhǔn)的編號為ISO 28500：2900。WARC 在存儲電子文件方面具有獨特的優(yōu)勢，它具有了比較完善的軟件生態(tài)環(huán)境，且存儲后的電子文件檔案內(nèi)容豐富，便于對其進(jìn)行管理，可擴(kuò)展性比較強(qiáng)，能夠支持在大數(shù)據(jù)環(huán)境下的大容量文件存儲需求，這都是該格式成為黨政機(jī)關(guān)重要網(wǎng)頁電子文件長期保存和管理的不二選擇[4]。

（3）存儲架構(gòu)。由于網(wǎng)頁電子文件具有規(guī)模大、更新快、容量大等大數(shù)據(jù)的特征，因而要對其進(jìn)行比較好的存儲，需要采用當(dāng)前大數(shù)據(jù)環(huán)境下的云存儲技術(shù)對其進(jìn)行存儲。其中，Hadoop 是目前比較成熟的開源云計算平臺，平臺采用了HDFS 分布式存儲技術(shù)對大量數(shù)據(jù)進(jìn)行存儲。其存儲架構(gòu)包含存儲平臺應(yīng)用和電子文件實體存儲環(huán)境兩個部分。

5.黨政機(jī)關(guān)重要網(wǎng)頁電子文件的利用。以往的信息檢索技術(shù)已經(jīng)很難滿足大數(shù)據(jù)環(huán)境下黨政機(jī)關(guān)海量重要網(wǎng)頁電子文件檢索的需求，這就需要基于Agent 或本體實現(xiàn)智能化、語義化的檢索，從而提升大量重要網(wǎng)頁電子文件檢索的效率和精度。由于網(wǎng)頁電子文件具有超鏈接的特性，對這些超鏈接進(jìn)行重現(xiàn)和定位，有助于掌握重要網(wǎng)頁電子文件相關(guān)的檔案資源，從而了解文件的歷史及相關(guān)背景信息，這可以通過重要網(wǎng)頁的重定向、網(wǎng)站網(wǎng)頁域名的重定向以及網(wǎng)頁的“URL+時間戳”等一系列技術(shù)實現(xiàn)。此外，除了傳統(tǒng)的Web 數(shù)據(jù)挖掘技術(shù)可用于對黨政機(jī)關(guān)重要網(wǎng)頁電子文件所包含的信息進(jìn)行深度挖掘外，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法等新技術(shù)可以幫助檔案管理部門更加精確地評估黨政機(jī)關(guān)網(wǎng)頁電子文件的價值和重要性，并幫助用戶從大量電子文件中識別出他們想要的信息，實現(xiàn)網(wǎng)頁電子文件的增值服務(wù)。更重要的是，黨政機(jī)關(guān)重要網(wǎng)頁電子文件信息利用服務(wù)系統(tǒng)還需要對用戶檢索、系統(tǒng)挖掘的數(shù)據(jù)結(jié)果進(jìn)行可視化呈現(xiàn)，將重要網(wǎng)頁電子文件之間的關(guān)聯(lián)關(guān)系展現(xiàn)出來，方便從中挖掘出深層次的潛在信息。

三、結(jié)語

如何對政府?dāng)?shù)字信息資源進(jìn)行長期保存是信息管理學(xué)、檔案學(xué)持續(xù)研究的課題。作為一種重要的數(shù)字信息資源，黨政機(jī)關(guān)重要網(wǎng)頁電子文件有其自身特征，對其進(jìn)行保存與歸檔面臨著諸多困難，包括確定歸檔邊界、適應(yīng)資源的快速增長、協(xié)調(diào)政府與圖情檔機(jī)構(gòu)以及社會其他組織之間關(guān)系等，對其實現(xiàn)模式、關(guān)鍵技術(shù)及其保障等方面的問題研究，對于進(jìn)一步推動數(shù)字信息長期保存理論的持續(xù)發(fā)展，拓展和深化信息管理及檔案學(xué)的理論有著重要意義。