1 INTRODUÇÃO

A década de 1990 foi marcada pela expansão das Tecnologias da Informação e Comunicação (TICs), que impactaram a produção de informação, conhecimento e possibilitaram que grandes volumes de informações fossem criados e divulgados em curto espaço de tempo. A construção da rede mundial de computadores, internet, impactou os processos de disseminação e acesso à informação, por meio da sua interatividade, velocidade e praticidade.

O grande volume de dados e informações produzidas faz com que a internet seja considerada um grande repositório de informação constituído por documento em variados formatos, sendo formada por diversas páginas web com conteúdos diversificados para atender e informar diferentes tipos de usuários permitindo o acesso às informações de forma ágil para a geração de conhecimento.

A procura por informação passou a ser facilitada pelo desenvolvimento das ferramentas de busca, como os motores de busca na web . Google, Mozilla Firefox, Internet Explore, Opera entre outras-, possibilitam a indexação e localização de páginas web e contribuem para o acesso ao conteúdo informacional.

A criação de páginas web voltadas para diversos seguimentos da sociedade e as redes sociais potencializaram a disseminação de informação no meio digital, porém, a grande maioria das páginas web e informações são alteradas ou perdidas em um curto espaço de tempo. O arquivamento da web e a preservação de páginas web passaram a ser discutidos como forma para evitar essas perdas. Segundo Rockembach (2017), entende-se por o arquivamento da web, o processo de coletar, armazenar e disponibilizar porções de informações advinda da World Wide Web, para que posteriormente possa ser acessado novamente e assim contribuir para a historiografia e construção da memória de instituições, pessoas e serviços.

Pesquisando sobre a temática de arquivamento da web no Brasil, esbarra-se no primeiro obstáculo, a falta de documentos/estudos que tratem desta temática. Sabe-se que há uma crescente no que diz respeito à produção de informação digital na web, então, é preciso começar a pensar qual a melhor forma de preservar a World Wide Web. Para tal, faz-se necessário a análise bibliográfica para avaliação do panorama nacional e internacional.

2 ARQUIVAMENTO E PRESERVAÇÃO DE PÁGINAS WEB/ WEBSITES

As páginas web são formadas por diversos formatos documentais com hiperlinks, áudios, imagens e vídeos. Manter o acesso futuro da produção documental passou a ser um questionamento para diversas áreas que lidam com a gestão e produção de informação. As perdas de páginas e a falta de acesso é algo que já pode ser observado com frequência um exemplo disso é quando se faz as referências bibliográficas em publicações e as páginas referenciadas com os respectivos links trazem resultados inexistentes.

Essa preocupação é levada às páginas web por conterem informações relevantes como os outros tipos documentais (BODÊ, 2008):

[...] não há motivos para não considerar páginas da web disponíveis na rede Internet - principalmente aquelas disponibilizadas através dos protocolos do tipo HTTP - como um documento com o mesmo status que um livro de biblioteca, uma carta histórica ou um relatório financeiro contábil em papel de uma grande empresa (BODÊ, 2008, p. 44).

A preservação digital visa proporcionar métodos para a salvaguarda de informação e documentação buscando resguardar a autenticidade, a integridade do conteúdo, a estrutura e o ambiente, como ressalta Márdero Arellano (2004) “A aplicação de estratégias de preservação para documentos digitais é uma prioridade, pois sem elas não existiria nenhuma garantia de acesso, confiabilidade e integridade dos documentos em longo prazo”.

O arquivo Nacional por meio da Política de Preservação Digital- AN Digital (ARQUIVO NACIONAL, 2016), que é uma portaria feita com o intuito de nortear os procedimentos de preservação digital e acesso aos documentos. A AN Digital traz uma relação de tipos de documentos que serão preservados como [...] texto estruturado com formatação, imagem matricial, imagem vetorial, áudio, audiovisual, mensagem de correio eletrônico, apresentação (slides), planilha e base de dados relacional. E esclarece que em momento futuro os tipos documentais mais complexos [...] como multimídia e páginas web, deverão ser também contemplados.

As páginas web são tipos documentais mais complexos e necessitam de estudos e construção de técnicas para a estruturação de mecanismos que possibilitem a preservação digital desse tipo documental e para que seu acesso seja garantido ao longo tempo (ARQUIVO NACIONAL, 2016). A falta desses procedimentos fica evidente na Política de Preservação Digital- AN Digital.

O arquivamento web tem contribuído para a guarda e disponibilização futura das páginas web. E conforme conceitua Rockembach (2018) [...] compreende coletar, armazenar e disponibilizar a informação retrospectiva da World Wide Web para futuros pesquisadores. O arquivamento web é algo que deve ser feito de forma descentralizada e compartilhada, pois muitas vezes esse processo será realizado com o uso de diferentes servidores de armazenamento que disponibilizaram espaço para a guarda das páginas web, esse processo é feito no projeto Arquivo da Web Portuguesa – AWP (GOMES, 2010).

3 METODOLOGIA

Quanto aos procedimentos metodológicos, optou-se em apresentar uma revisão de literatura com abordagem quantitativa voltada para os elementos descritos nas tabelas acompanhados dos resultados advindos das bases de dados de periódicos científicos.

A pesquisa começou a ser desenvolvida pela delimitação inicial das bases que seriam analisadas, foi assim definido o escopo de realização do trabalho, onde seriam usadas bases que reúnem conteúdo de trabalhos científicos de países ibero-americanos, buscando-se artigos relacionados às temáticas previamente definidas: Arquivamento da web e Preservação digital de páginas web, Preservação digital de Websites.

Esse recorte foi estabelecido com o intuito de poder observar e analisar as produções científicas publicadas nas línguas portuguesa e espanhola usando os termos: Preservação Digital de websites (Preservación digital de sítios web), Preservação digital de páginas web (Preservación digital de páginas web), Arquivamento da Web (Archivamiento Web). Desse modo possibilitando a construção de um cenário relacionado às produções científicas das temáticas definidas.

A base delimitada para uso na pesquisa foi a do “Portal Brasileiro de Acesso Aberto a Publicações Científicas (OASISBR)’’, por permitir acesso livre e aberto às produções científicas e por integrar outras bases como a La Referencia que tem o intuito de possibilitar visibilidade à produção científica das instituições de educação superior e pesquisa da América Latina e a RCAAP que faz parte do projeto Repositórios Científicos de Acesso Aberto de Portugal. (OASISBR, 2018):

OASISBR é um mecanismo de busca multidisciplinar que permite o acesso gratuito à produção científica de autores vinculados a universidades e institutos de pesquisa brasileiros. Por meio do Oasisbr é possível também realizar buscas em fontes de informação portuguesas. A partir de uma única interface, é possível realizar buscas simultâneas em revistas científicas, repositórios institucionais, repositórios temáticos, bibliotecas digitais de teses e dissertações e outras fontes de informação de natureza científica e tecnológica ou academicamente orientada. (OASISBR, 2018, P).

O período definido para a busca foi entre 2000 e 2018, a primeira data marca o inicio desse século e a data final delimita o ano de realização da pesquisa. E as buscas foram feitas e refinadas com o objetivo de encontrar teses, dissertações e artigos a respeito da temática.

4 ANÁLISE DOS TRABALHOS E DO CONTEÚDO

A pesquisa na base Oasisbr demonstrou que nos países como Brasil e Portugal os trabalhos voltados para Arquivamento da web e Preservação digital de páginas Web/ Websites, são quantitativamente escassos.

Para melhor compreensão dos trabalhos que estão sendo feitos na área, foi realizada uma análise dos conteúdos das teses, dissertações e artigos indexados na base Oasisbr. Essa análise foi feita com a leitura dos trabalhos e pela observação do desenvolvimento dos textos e como foram abordados os pontos relacionados à tecnologia, à metodologia, às iniciativas, às recomendações e ao contexto temporal dos trabalhos. Esses pontos foram selecionados por poderem trazer uma visão da contextualização do trabalho e das principais temáticas que estão sendo abordadas nos trabalhos voltados para preservação e arquivamento web/ websites.

O demonstrativo das teses, dissertações e artigos estão agrupados em tabelas, que reúnem a análise do conteúdo dos trabalhos e foram construídas com o objetivo de agrupar os principais temas tratados. As tabelas estão separadas em dois grupos, a primeira tabela reúne os conteúdos e informações referentes aos artigos que foram encontrados e a segunda tabela reúne os conteúdos e informações sobre as teses e dissertações.

4.1 Análise dos artigos

A primeira tabela demonstra as informações relacionadas aos pontos de análise: tecnologia, à metodologia, às iniciativas, às recomendações e ao contexto temporal dos trabalhos. Esses pontos foram usados para estruturar a observação e leitura dos artigos.

Em relação ao conteúdo da tabela 1 o ponto de análise da parte da observação das tecnologias que foram propostas e estudadas. Nos quatro artigos são apresentadas propostas de uso de recursos tecnológicos para a salvaguarda das páginas web. O software mais citado é o Heritrix e o banco de dados Wayback Machine, ambos desenvolvidos pela iniciativa Internet Archive.

Fazendo a análise da metodologia usada nos artigos pôde ser constatado que nos dois primeiros artigos a metodologia usada é quantitativa e qualitativa e de caráter exploratório, onde o autor buscou encontrar as referências de trabalhos voltados para arquivamento web e estudo de bases e casos internacionais. Os dois últimos artigos são estudos práticos de aplicação da iniciativa de preservação da web portuguesa.

As iniciativas mais citadas são a do Internet Archive, o World Wide Web Consortium, Grupo de trabalho Archive-It e o Arquivo da Web Portuguesa (AWP). Essas iniciativas estão sendo desenvolvidas por diferentes países como: Estados Unidos, Reino Unido, Alemanha, Portugal, Espanha. No processo de observação das iniciativas apresentadas nos trabalhos foi constatado que nenhuma pertence diretamente ao Brasil e que na América Latina a única iniciativa que foi citada é a Latin American Web Archiving Project.

As recomendações ressaltam a importância da construção de políticas de preservação e a implementação de mais iniciativas para a preservação da web. Assim como a disponibilização e integração de serviços e métodos que permitam maior integração dos profissionais voltados para a área.

4.2 Análise de conteúdo da dissertação

Em relação ao conteúdo da tabela dois (conteúdo da dissertação), foi realizada a análise da dissertação de Nogueira (2008).

Na dissertação, observou-se o uso do modelo rArc (modelo de replicação distribuída), é um projeto de Arquivo da Web Portuguesa que tem por iniciativa a FCCN (Fundação para a Computação Científica Nacional), que almeja replicar os conteúdos contidos no sistema de armazenamento de um arquivo da Web. Observou-se também que seu desenvolvimento permite lidar com requisitos que irão suportar alterações ao longo do tempo. E usa a tecnologia Heritrix, um batedor especialmente criado pelo Internet Archive e tem por metodologia a extração automática de conteúdos da web, além de recomendar devida utilização dos mecanismos para o sucesso na utilização do software respeitando as políticas de preservação.

4.3 Consórcio

No decorrer do levantamento bibliográfico, foi encontrado uma página na web denominada ‘’ARQUIVO.PT.”, onde se encontra recomendações e documentos importantes como o consórcio que leva o título “Arquivo da web portuguesa: Recomendações para a criação de conteúdos preserváveis ao longo do tempo”, citado abaixo.

Apesar de não fazer parte dos documentos que compõe a análise, trata-se um documento importante, devido sua relevância é interessante que se saiba de sua existência.

Importante lembrar que quando falamos de web portuguesa, estamos nos referindo a todo conteúdo que está no domínio.pt e que seu arquivamento está sendo realizado pelo projeto da FCC (fundação que possui um sistema de arquivamento de conteúdos) cujo principal objetivo é a preservação da informação lá contida.

5 FERRAMENTAS E INICIATIVAS DE PRESERVAÇÃO DE PÁGINAS WEB

Algumas iniciativas de arquivamento web e preservação digital podem ser destacadas pelo desenvolvimento de projetos e softwares. Dentro dessas iniciativas podem ser citadas a do Internet Archive, o consórcio World Wide Web, International Internet Preservation Consortium, Archive-It, Arquivo da Web Portuguesa (AWP) e a Fundação para a Computação Científica Nacional (FCCN).

Os softwares de arquivamento e preservação são ferramentas importantes nesse processo de salvaguarda das páginas web. Alguns softwares podem ser destacados como Heritrix, HTTrack e o Wayback Machine.

5.1 Iniciativas

• Internet Archive

  O Internet Archive é uma instituição sem fins lucrativos, começou os seus trabalhos em 1996 e tem como objetivo a construção de uma biblioteca digital de sites da internet com a missão de fornecer acesso a todo o tipo de conhecimento. E permite livre acesso aos conteúdos para pesquisadores, historiadores, acadêmicos. (INTERNET ARCHIVE, 2018).

• Consórcio World Wide Web:

  É um consórcio de nível internacional liderado por Tim Berners-Lee que busca desenvolver padrões para a web. Os trabalhos são desenvolvidos por organizações filiadas, por e por uma equipe interdisciplinar e pelo público. tempo integral e o público trabalham juntos para desenvolver padrões para a Web. (CONSÓRCIO WORLD WIDE WEB, 2018).

• Consórcio International Internet Preservation (IIPC)

  Criado no ano de 2003 foi firmado por 12 instituições participantes. E tem a missão “adquirir, preservar e tornar acessível o conhecimento e as informações da Internet para as gerações futuras em todos os lugares, promovendo o intercâmbio global e relações internacionais.” E tem estudo e desenvolvido padrões para a implementação dos objetivos de preservação da web e disseminação do conhecimento. O consórcio reúne uma rede de bibliotecas e instituições que trabalham em colaboração. (GRUPO DE ESTUDOS DE DIREITO AUTORAL E INDUSTRIAL, 2018).

• Archive-It:

  Foi lançado em 2006 é um serviço de arquivamento da web por assinatura. O Archive-It permite ser feita a coleta, criação e preservação de conteúdo da web. Os conteúdos são armazenados nos centros de dados do serviço. E atualmente conta com mais de 400 organizações. (ARCHIVE-IT, 2018).

• Arquivo da Web Portuguesa (AWP):

  É uma infraestrutura de investigação que permite pesquisar e acessar páginas da web arquivadas desde o ano de 1996. E tem como objetivo a preservação da informação publicada na Web portuguesa levando em conta seu acesso futuro e como poderíamos evitar a perda de informações existentes em páginas web ao longo do tempo. (ARQUIVO DA WEB PORTUGUESA, 2018).

• Fundação para a Computação Científica Nacional (FCCN):

  Fundada em janeiro funcionou de 1987 a 2013. FCCN foi uma instituição privada portuguesa sem fins lucrativos de utilidade pública. Tem como atividade primeira o planejamento da Rede Ciência, Tecnologia e Sociedade (RCTS) e o backbone de Portugal (WIKIPÉDIA, 2018).

5.2 Softwares

• Heritrix:

  Software livre para o rastreamento (crawler) de páginas web. Software Heritrix é um software sob licença livre, que foi desenvolvido pela iniciativa Internet Archive, em linguagem Java, sendo utilizado por diversas iniciativas de arquivamento da web no mundo (HERITRIX, 2018).

• HTTrack:

  HTTrack é um utilitário de navegador offline e gratuito. Ele permite que sites da web sejam baixados para o próprio computador. O utilitário organiza a estrutura de links do site original, permitindo a visualização conforme o site original. (HTTRACK, 2018).

• Wayback Machine:

  É o banco de dados digital do Internet Archive, lançado em 1996, e que armazena 2 petabytes de dados compactados, ou mais de 150 bilhões de páginas da web, incluindo conteúdo de todos os domínios de primeiro nível, mais de 200 milhões de sites e mais de 40 idiomas. (WAYBACK MACHINE, 2018).

6 Conclusão

O objetivo do presente artigo foi analisar/revisar a bibliografia da produção científica acerca do tema “Preservação de websites” e “arquivamento da web” servindo também de norteador para os pesquisadores no entendimento e acompanhamento do tema.

Atualmente observa-se um crescimento ascendente da informação produzida e disseminada na internet. Devido à problemática da curta duração das páginas web existe a preocupação de como tais informações serão preservadas de forma perene para ser acessada por gerações futuras.

Iniciativas importantes foram citadas no decorrer do trabalho como o Internet Archive, o consórcio World Wide Web, International Internet Preservation Consortium, Archive-It, Arquivo da Web Portuguesa (AWP) e a Fundação para a Computação Científica Nacional (FCCN). Assim como se observou que os softwares mais usados, no que diz respeito à preservação e arquivamento da web, foram o Heritrix, HTTrack e o Wayback Machine.

Ao longo do desenvolvimento da pesquisa pôde-se perceber que o quantitativo de artigos é superior ao de teses, dissertações e livros voltados para a área. É importante ressaltar que não foram encontradas teses nas bases de dados pesquisadas.

O Consórcio do ARQUIVO.PT, foi citado no decorrer do trabalho devido sua relevância e por trazer documentos e recomendações importantes para quem precisa de embasamento ou entender mais sobre arquivamento e preservação da web.

Após a análise e observação da bibliográfica do panorama nacional e internacional, conclui-se que há uma escassez na produção científica referente ao tema, principalmente na América Latina. A partir desta pesquisa recomenda-se que sejam desenvolvidos estudos para a área e que políticas de preservação sejam implementadas em âmbito nacional e internacional podendo integrar a comunidade da América Latina.

Gratidão

Agradecemos ao Doutor Miguel Ángel Márdero Arellano pela orientação e todos os ensinamentos.

REFERÊNCIAS

ALENCAR BRAYNER, Aquiles. Programa de arquivo de páginas web no reino unido: Uma breve história de oportunidades e desafios. RDBCI: Revista Digital de Biblioteconomia e Ciência da Informação, Campinas, SP, v. 14, n. 2, p. 318-333, maio/ago. 2016. ISSN 1678- 765X. Disponível em: doi:http://dx.doi.org/10.20396/rdbci.v14i2. 8645982. Acesso em: 24 abr. 2018.

ALVARÉZ, Manuel; et. al. Web Oculta del Lado Cliente: Escala de Crawling. Departamento de Tecnologías de Información y las Comunicaciones. Universidade da Coruña. Disponível em: http://www.dl.kuis.kyoto-u.ac.jp/~rafael.lopez/publications/JITEL_2011_2_CR.pdf. Acesso em: 23 mar. 2018.

ARQUIVO NACIONAL. Equipe técnica do programa AN digital. Política de preservação digital. 2016. Disponível em: http://arquivonacional.gov.brsiga_antigo/images/an_digital/and_politica_preservacao_digital_v2.pdf . Acesso em: 23 mar. 2018.

ARQUIVO DA WEB PORTUGUESA. Recomendações para a criação de conteúdos preserváveis ao longo do tempo. 2009. Disponível em: http://arquivo.pt/wayback/20090520162044/http://arquivo-web.fccn.pt/. Acesso em 24 abr. 2018.

BODÊ, Ernesto Carlos. Preservação de documentos digitais: o papel dos formatos de arquivo. 2008. 153 f. Dissertação (Mestrado em Ciência da Informação)- Universidade de Brasília, Brasília, 2008. Disponível em: http://repositorio.unb.br/bitstream/10482/2034/1/2008_ErnestoCarlosBode.pdf. Acesso em: 23 mar. 2018.

DANTAS, Camila Guimarães. Criptografias da memória: um estudo teórico-prático sobre o arquivamento da web no Brasil. Disponível em: http://www.memoriasocial.pro.br/documentos/Teses/Tese42.pdf. Acesso em 24 abr. 2018.

FUNDAÇÃO PARA A COMPUTAÇÃO CIENTÍFICA NACIONAL. In: WIKIPÉDIA: a enciclopédia livre. Wikipédia, 2018. Disponível em: https://pt.wikipedia.org/wiki/Funda%C3%A7%C3%A3o_para_a_Computa%C3%A7%C3%A3o_Cient%C3%ADfica_Nacional. Acesso em: 22 jun. 2018.

GOMES, Daniel. Preservar a Web: um desafio ao alcance de todos. 2010. Disponível em: https://www.bad.pt/publicacoes/index.php/congressosbad/article/view/158. Acesso em: 19 jun. 2018.

GOMES, Daniel; MIRANDA, João. Arquivo e medição da web portuguesa. 2008. Disponível em: https://www.rcaap.pt/detail.jsp?id=oai:comum.rcaap.pt:10400.26/471. Acesso em: 19 jun. 2018.

MÁRDERO ARELLANO, Miguel Ángel. Critérios para a preservação digital da informação científica. Brasília: Universidade de Brasília, 2008. 354 f. Tese (doutorado em Ciência de Informação), Universidade de Brasília, 2008. Disponível em: http://www.repositorio.unb.br/bitstream/10482/1518/1/2008_MiguelAngelMarderoArellano.pdf. Acesso em: 23 mar. 2018.

NOGUEIRA, André Ricardo Lopes. Preservação da web através de replicação distribuída em larga escala. 2008. Dissertação (Mestrado) - Universidade Nova de Lisboa, 2008. Disponível em: http://repositorio.ul.pt/handle/10455/3189. Acesso em 24 abr. 2018

ROCKEMBACH, Moisés. Arquivamento da Web: estudos de caso internacionais e o caso brasileiro. Revista Digital de Biblioteconomia e Ciência da Informação. Campinas, v. 16, n. 1, 2018. Disponível em: http://hdl.handle.net/10183/169433. Acesso em 24 abr. 2018.

ROCKEMBACH, Moisés; PAVÃO, Caterina Marta Groposo. Políticas e tecnologias de preservação digital no arquivamento da web. RICI: Revista Ibero-americana de Ciência da Informação. ISSN 1983-5213, Brasília, v. 11, n. 1, p. 168-182, jan. /abr. 2018. Disponível em: http://periodicos.unb.br/index.php/RICI/article/view/27950/0. Acesso em: 23 mar. 2018.

SITES CONSULTADOS

ARCHIVE-IT. Disponível em: https://archive-it.org/. Acesso em: 2018.

ARQUIVO DA WEB PORTUGUESA. Disponível em: http://arquivo.pt/. Acesso em: 2018.

CONSÓRCIO WORLD WIDE WEB. Disponível em:http://www.w3c.br/Sobre/. Acesso em: 2018.

GRUPO DE ESTUDOS DE DIREITO AUTORAL E INDUSTRIAL. Disponível em: https://gedai.com.br/?q=pt-br/content/o-cons%C3%B3rcio-internacional-de-preserva%C3%A7%C3%A3o-da-internet-international-internet-preservation. Acesso em: 2018.

HERITRIX. Disponível em: http://crawler.archive.org/index.html. Acesso em: 2018.

HTTRACK. Disponível em: https://www.httrack.com/. Acesso em: 2018.

INTERNET ARCHIVE. Disponível em: https://archive.org/. Acesso em: 2018.

OASISBR. Disponível me: http://oasisbr.ibict.br/vufind/. Acesso em: 2018.

WIKIPÉDIA. Disponível em: https://pt.wikipedia.org/wiki/Funda%C3%A7%C3%A3o_para_a_Computa%C3%A7%C3%A3o_Cient%C3%ADfica_Nacional. Acesso em: 2018.

Informação adicional

CONTRIBUIÇÃO DE AUTORIA: Concepção e elaboração do manuscrito: J.P. Farias, K. C. V. Bomfim Coleta de dados: J.P. Farias, K. C. V. Bomfim Análise de dados: J.P. Farias, K. C. V. Bomfim Discussão dos resultados: J.P. Farias, K. C. V. Bomfim Revisão e aprovação: J.P. Farias, K. C. V. Bomfim

CONJUNTO DE DADOS DE PESQUISA.: Todo o conjunto de dados que dá suporte aos resultados deste estudo foi publicado no próprio artigo.

LICENÇA DE USO: Os autores cedem à Encontros Bibli os direitos exclusivos de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution (CC BY) 4.0 International. Estra licença permite que terceiros remixem, adaptem e criem a partir do trabalho publicado, atribuindo o devido crédito de autoria e publicação inicial neste periódico. Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional, em site pessoal, publicar uma tradução, ou como capítulo de livro), com reconhecimento de autoria e publicação inicial neste periódico.

PUBLISHER: Universidade Federal de Santa Catarina. Programa de Pós-graduação em Ciência da Informação. Publicação no Portal de Periódicos UFSC. As ideias expressadas neste artigo são de responsabilidade de seus autores, não representando, necessariamente, a opinião dos editores ou da universidade.

EDITORES: Enrique Muriel-Torrado, Edgar Bisset Alvarez, Camila Barros.