Home

Manuál žatvy

1. Check tabuľky

1. zistenie sklizní, ktoré treba odpáliť.

2. Vygenerovanie odpovedajúcich semienok

Generácia v Sidri

• 1. Choď do "semínkovače"
• 2. ctrl+a -označ všetko

3. Práca v terminály

1. nahoď si pracovné prostredie via

screen -r 

      cd /opt/heritrix/jobs/Crawler-config/Monthly-crawls/2017

2. Utvorenie seeds-YYYY-MM-varianty-varianty.txt

Vleze sa do dovnútra k seeds, rozložené po rokoch. Vytvoriť vo formáte a názve seeds-2017-02-a pripona sklizne, V - je výberova, V1M .txt Spolu so seederom sa vygenerujú príslušné semienka a zavedú sa do príslušných súborov.

ŠPECIALITKA: Plus semienka pre cuni a no contracts>> http://intranet.webarchiv.cz/seeds/no_contracts.php, su s príponou NoContracts (je to V-NC)
Cuni su vo vonkajšom adresári a vedľa - crawler beans. Pevne zadefinovaný odkaz na nich v beans.cxml

Alebo seedy hod hore od seba:

scp seeds-2017-07* [email protected]:/opt/heritrix/jobs/Crawler-config/Monthly-crawls/2017 

3. Zlúčenie seedov

Deje sa cez zložku jobs v koreni všetkých heritrixov a via jobs do crawler config.
Semienka si treba vysortiť na unique a vizuálne ešte raz skontrolovať. Ak by bolo niečo divné, poslať hneď podnet kurátorom, že čo ako to majú u seba.

$ sort 2017/seeds-2017-03-* seeds-CUNI.txt seeds-oneshot.cz > seeds.txt



$ -u -nique sa dela vo vimu :  sort u a idealne skontrolovat data, veci co zacinaju na http, a rozne slashe na zaciatku upravit, a poznamenta kuratorkam

ak je problem s windowsovskymi znakmi treba nato substitute regexom vo vim-e:

:%s/ Ctrl -V Ctrl-M>/\r/g

pricom dolezite je robit speci znak cez ctrl-m/v

4. Ocheckovat commit na minulom mesiaci

$ git status

5. Nastavenie Crawlerbeans.cxml:

Values changing with each crawl:

-metadata.jobName=Serials 2017-02-1M_2M_CUNI_ArchiveIt

-metadata.description=Pravidelná sklizeň semínek s měsíční frekvencí, pravidelná sklizeň semínek s dvojměsíční frekvencí, sklizeň webů Karlovy univerzity, archivace semínek s nízkou frekvencí přidaných za minulý
měsíc.

-warcWriter.prefix=Serials-2017-02-1M_2M_CUNI_ArchiveIt

-warcWriter.storePaths=/mnt/archives/archive14/2017/serials/Serials-2017-02-1M_2M_CUNI_ArchiveIt

+metadata.jobName=Serials[medzera]2017-03-1M_6M_NoContract_CUNI_ArchiveIt

+metadata.description=Pravidelná sklizeň semínek s měsíční frekvencí, pravidelná sklizeň semínek s půlroční frekvencí, sklizeň semínek bez smlouvy, sklizeň webů Karlovy univerzity, archivace semínek s nízkou frek
vencí přidaných za minulý měsíc.

+warcWriter.prefix=Serials-2017-03-1M_6M_NoContract_CUNI_ArchiveIt

+warcWriter.storePaths=/mnt/archives/archive14/2017/serials/Serials-2017-03-1M_6M_NoContract_CUNI_ArchiveIt

5. Kontrola zmien a push na github

pridanie súborov do gitu:

$ git add crawler-beans.cxml seeds.txt 2017/seeds-2017-02-*



skontrolovať, čo je vybrané:

$ git status


a pak to tam odpálkovať s príslušným označením DOBEHLEJ sklizne - tá súčasná [3] sa zálohuje až dobehne

$ git commit -m 'Serials 2017[medzera]02[medzera]1M_6M_NoContract_CUNI_ArchiveIt'



Skontrolovať o kolko komitov sme dozadu, overiť, či je všetko správne, lebo hrozí nebezpečie inkonzistencie

$ git push

4. Odštartovať novú sklizeň

• Pustiť si lokál GUI inštanciu Heritrixu na https://10.10.0.200:7778/ .
• Ocheckovat sklizeň a zrušiť ju ak ešte si frčí: PAUSE, TEARDOWN.

Tip: ak si to frčí beztak ďalej, nezostáva, než zhodiť Heritrix komplet. Skontrolovať ale najprv, či idealne warcy su uzavrete - žiadan status open, invalid apod.


  Následne znova nahodenie: zájsť do koreňa všetkých heritrixov a pustiť si skripta: ./start3.sh

• Kým dobehne, ocheckovat git, či semienka boli z dobehnutej sklizne commitnute, potom git staus - čo sa v lokálnom zmenili. odpáliť cestou: cd 2017, aby bola priama cesta k seeds a pak pridať vybrané súbory.