IDLJ at det kgl. Bibliotek arkiverer det danske internet
IDLJ at det kgl. Bibliotek arkiverer det danske internet
Vi har ansvaret for at indsamle og bevare den danske del af internettet som en del af pligtafleveringsloven. Målet er blandt andet at sikre, at man i fremtiden kan bruge materialet i forskningsøjemed.
Virker da rimeligt sejt. Fra hvad jeg kan læse bruger de crawleren en udviklet af internet archive. Desværre er dataen kun tilgængelig for forskning men det er da rart at vide at tingene bliver bevaret for eftertiden. Det kan være @sortekanin kan tjekke om deres crawler har været forbi feddit.dk ;) den har user agenten
Mozilla / 5.0 (compatible; kb.dk_bot; heritrix / 3.4.0 + https: //www.kb.dk/netarkivindsamling) Firefox / 57
Jeg måtte i sin tid permanent blokere Netarkivets webcrawler; de brugte vist en anden den gang.
Crawleren respekterede ikke robots.txt-filen, som fortæller hvor crawlere og botter må bevæge sig hen på en hjemmeside.
De udførte nærmest et overbelastningsangreb mod min server, ved at sende en masse requests på kort tid til mine "tungeste" PHP-websider (dem som de ikke måtte besøge), i stedet for at sprede requestene ud over et længere tidsrum, som alle andre gjorde og gør.
Efter kommunikation med dem om problemet, var min opfattelse at de ikke anede hvad de foretog sig og var ligeglade med konsekvenserne. Forhåbentlig har de mere kompente folk på opgaven nu om stunder.
Spændende. De ignorerer stadig robots.txt da den, deres udsagn, ville forhindre dem i at opsamle nok af siderne til at kunne gendanne dem ordentligt. Dog skriver de at de som udgangspunkt laver mindre crawls for at lure om siden er aktiv og hvis den er det så besøger de den oftere
Efter kommunikation med dem om problemet, var min opfattelse at de ikke anede hvad de foretog sig
Det kan godt være det er en fordom fra min side men jeg tror desværre det er sådan i meget offentligt software/IT. Det offentlige betaler jo ikke nok til at få gode folk fra den branche ind.