WARPとデータセット

2016.7.30 NDLデータ利活用ワークショップ
~ウェブ・アーカイブの自治体サイトを可視化しよう~
WARPとデータセット
国立国会図書館
WARP
WARPとは
・ウェブサイトのアーカイブ
・2002年に始めて15年目
・2010年から公的機関サイト
を大規模に収集
http://warp.da.ndl.go.jp/
3
集めているウェブサイト
区分
公的機関
民間
根拠
対象
国の機関
地方自治体
法律
独立行政法人
国公立大学
公益法人、私立大学、
契約 政党、イベント、震災、
電子雑誌
サイト数
5,400
4,600
収集頻度
月1回
年4回
年1~4回
4
容量で可視化
本日のターゲット
都道府県
政令指定都市
市町村
特別地方公共団体(東京23区を含む)
218TB/633TB
5
内訳
収集対象
都道府県
政令指定都市
市町村
東京23区
合計
現存する自治体
47
20
1,698
23
1,788
消えた自治体
-
-
989
-
989
合計
47
20
2,687
23
2,777
6
保存状況
2010年~
全自治体を保存
~2009年
消えた自治体が多い
7
具体例をみてみましょう
・消えた町-佐賀県大和町
http://warp.da.ndl.go.jp/info:ndljp/pid/246720/www.saganet.ne.jp/yamato/
・2003年の香川県
http://warp.da.ndl.go.jp/info:ndljp/pid/236640/www.pref.kagawa.jp/
・2012年の・・・(うどん県)
http://warp.da.ndl.go.jp/info:ndljp/pid/6019057/www.my-kagawa.jp/udon-ken/top.html
・2015年の香川県
http://warp.da.ndl.go.jp/info:ndljp/pid/9498887/www.pref.kagawa.jp/
8
データセット
本日、使えるデータ
1. メタデータ
2. 検索API
10
1. メタデータ
・2003年から2015年の自治体サイトの全件メタデータ
・2つのメタデータ
収集対象 (自治体)
収集個体 (収集回ごとのまとまり)
2,777 件
47,318 件
11
ここで収集のイメージを
クローラによる収集
起点URL
www.pref.kagawa.jp
➀ 起点URLにあるファイルを複製
www.pref.kaga
wa.jp/abc.html
www.pref.kaga
wa.jp/def.html
www.pref.kaga
wa.jp/xyz.html
udon.pref.kagawa.jp
abc.pref.kagawa.jp
www.pref.kagawa
.lg.jp/gikai/
➁ リンクを解析してページ遷移
➂ リンク先のページでも同じように
ファイル複製、リンク解析
➃ 指定した範囲の全てのファイルを
複製するまで繰り返す
➄ ファイルをひとまとめにして保存
12
2つの関係
収集対象
収集個体
13
WARP画面
収集対象
収集個体
14
必ずしも100%ではありません
・技術的にとれないもの
・収集回ごとの時間制限(オーバーしたら停止)
自治体
2015年3月まで
2015年4月以降
都道府県
政令指定都市
5日
20日
市町村
東京23区
1日
15
詳細とダウンロードはこちら
http://www.ndl.go.jp/jp/aboutus/standards/opendataset.html
16
2. 検索API
・自治体サイトをページ単位で検索できる
ページ数
62,286,266
ページ
自治体数 1,788(47都道府県、20政令指定都市、1,698市町村、東京23区)
対象年
2010年、2013年、2015年
・キーワード、外部リンクなど様々な情報を取得
17
詳細はこちら
18
補足
・館内でのみ見られるものが19%
⇒ 各グループのPCで見られます
19