A VISION OF THE ROLE AND FUTURE OF WEB ARCHIVES  Kalev H.

 Leetaru  1  Graduate School of Library and Information Science  University of Illinois      Imagine  a  world  in  which  libraries  and  archives  had  never  existed.    No  institutions  had  ever  systematically collected or preserved  our collective cultural past: every book, letter, or document was  created, read and then immediately thrown away.  What would we know about our past?  Yet, that is  precisely  what  is  happening  with  the  web:  more  and  more  of  our  daily  lives  occur  within  the  digital  world, yet more than two decades after the birth of the modern web, the “libraries” and “archives” of  this world are still just being formed.    We’ve  reached  an  incredible  point  in  society.    Every  single  day  a  quarter‐billion  photographs  are  uploaded to Facebook, 300 billion emails are sent and 340 million tweets are posted to Twitter.  There  are more than 644 million websites with 150,000 new ones added each day, and upwards of 156 million  blogs.  Even more incredibly, the growth rate of content creation in the digital world is exploding.  The  entire  New  York  Times  over  the  last  60  years  contained  around  3  billion  words.    More  than  8  billion  words are posted to Twitter every single day.  That’s right, every 24 hours there are 2.5 times as many  words posted to Twitter as there were in every article of every issue of the paper of record of the United  States over the last half‐century.      By  some  estimates  there  have  been  50  trillion  words  in  all  of  the  books  published  over  the  last  half‐ millennia.  At its current growth rate, Twitter will reach that milestone less than three years from now.   Nearly  a  third  of  the  planet’s  population  is  now  connected  to  the  internet  and  there  are  as  many  cell  phones  as  there  are  people  on  earth.    Yet,  for  the  most  part  we  consume  all  of  this  information  as  it  arrives and discard it just as quickly, giving little thought to posterity.  That’s where web archives come  in: to make sure that a few years, decades, centuries, and millennia from now we will still have at least a  partial written record of human society at the dawn of the twenty‐first century.    THE WEB ARCHIVE IN TODAY’S WORLD    The loss of the Library of Alexandria, once the greatest library on earth, created an enormous hole in our  understanding of the ancient world.  Imagine if that library had not only persisted to present day, but  had  continued  to  collect  materials  through  the  millennia?    Yet,  in  the  web  era,  we  are  repeating  this  cycle  of  loss,  not  through  a  fire  or  other  sudden  event  that  destroyed  the  Library  of  Alexandria,  but  rather through inaction: we are simply not collecting it.    The dawn of the digital world exists in the archives of just a few organizations.  Many mailing lists and  early  services  like  Gopher  have  largely  been  lost,  while  organizations  such  as  Google  have  invested  considerable  resources  in  resurrecting  others  like  USENET.    The  earliest  years  of  the  “web”  are  gone  forever, but beginning in 1996 the Internet Archive began capturing snapshots, giving us one of the few  records of the early iterations of this world.  Organizations like the International Internet Preservation  Consortium  (IIPC)  are  helping  to  bring  web  archivists  from  across  the  world  and  across  disciplines  together to share experiences and best practices and forge collaborations to help advance these critical  efforts. 
1

                                                            
 kalev.leetaru5@gmail.com 

  UNINTENDED USES    Archives exist to preserve a sample of the world for future generations.  They accept that they cannot  archive everything and don’t try to: they operate as an “opportunistic” collector.  Traditional humanities  and social sciences scholarship was designed around these limitations: the tradition of deep reading of a  small  number  of  works  in  the  humanities  was  born  out  of  this  model.    Yet,  a  new  generation  of  researchers is increasingly using archives in ways they weren’t intended for and need a greater array of  information on how those archives are created to anticipate biases and impacts on their findings.    The Library of Congress’ Chronicling America site, while technically a web‐delivered digital library, not a  web archive, offers an example of why greater insight into the archiving process is critical for research.   Using the site recently for a project, my search returned ten times as many hits for my topic in El Paso,  Texas newspapers, as it did for New York City.  Further inspection showed this was actually because the  Chronicling America site had more content from El Paso newspapers during this time period than it did  from  New  York  City  papers,  rather  than  this  being  a  reflection  of  El  Paso  papers  covering  my  topic  in  more detail.  Part of this issue stems from the acquisition model of Chronicling America: each individual  state  determines  the  order  it  digitizes  newspapers  printed  in  its  borders:  one  state  might  begin  with  smaller  papers,  while  other  begins  with  larger  papers,  one  state  might  digitize  a  particular  year  from  every paper, while another might digitize the entirety of each paper in turn.  Chronicling America also  excludes papers that have been digitized already by commercial vendors: thus New York City’s largest  paper, the New York Times, is not present in the archive.  This landscape introduces significant artifacts  into  searches,  but  normalization  procedures  can  help  address  them.    In  order  to  do  so,  however,  a  bibliography is needed that lists every page from every paper that has been included in the archive.  This  would have allowed me to switch my search results from a raw count of matching newspaper pages into  a percent of all pages from each city, which would have accounted for there being more content in El  Paso than New York City.    This is even clearer when conducting searches of the historic New York Times.  A search of the Times for  any keyword over the period 1945‐present will show its use declining by 50% over that period.  This is  not a reflection of that term declining in use, but rather reflects the fact that the Times itself shrunk by  more than half over this period.  Similarly, searches covering the year 1978 will show an 88 day period  where the term was never used.  This is not because the term dropped out of favor during that period,  but rather because a machinist’s strike halted the paper’s publication entirely.  Having an index of the  total  number  of  articles  published  each  day  (and  thus  the  possible  universe  of  articles  the  term  could  have been used in) allows the raw counts to be normalized to yield the true picture of the term’s usage.   However, no web archive today offers such a master index of its holdings.    One of the core optimizations used by web crawlers can have a significant impact on certain classes of  research.  Nearly every web archive uses crawlers designed to measure the rate of change of a site (ie,  how often on average pages on that site change) in order to crawl sites that change more often faster  than  those that rarely  change.   This allows bandwidth and  disk  storage to be prioritized  towards sites  that  change  often,  rather  than  storing  a  large  number  of  identical  snapshots  of  a  site  that  never  changes.    However,  sometimes  it  is  precisely  that  rare  change  that  is  most  interesting.    For  example,  when studying how White House press releases had changed, I was examining pages that should never  show  any  change  whatsoever,  and  when  there  was  a  change,  I  needed  to  know  the  specific  day  on  which the change occurred to reconcile it with political winds at the time.  However, the rare rate of the 

change on that portion of the site meant that snapshots often were months or sometimes years apart,  making it impossible to narrow some changes down below the level of “several years.”       In  other  analyses,  the  dynamic  alteration  of  the  recrawl  rate  itself  is  a  problem.      For  example,  when  studying  the  inner  workings  of  the  Drudge  Report  over  the  last  half‐decade,  a  key  research  question  revolved around the rate at which various elements of that site changed.  If the rate of snapshotting was  being  varied  by  a  software  algorithm  based  on  the  very  phenomena  I  was  measuring,  that  would  strongly  bias  my  findings.    In  that  particular  case  I  was  lucky  enough  to  find  a  specialty  archive  that  existed solely to archive the Drudge Report, and which had collected snapshots every 2 minutes nonstop  for more than 6 years.    This is not an easy problem, as archives must balance their very limited resources between crawling for  new pages and recrawling existing pages looking for changes.  Within recrawling, they must balance the  need to pinpoint changes to the most narrow timeframe possible with ensuring they capture as many  changes as possible from high‐velocity sites.      Finally, the very notion of what constitutes “change” varies dramatically among research projects.  Has a  page “changed” if it still looks the same, but an HTML tag was changed?  What about if the title changes,  or the background color?  Does a change in the navigation bar at the top count the same as a change to  the body text?   There are as many answers to these questions as there are research projects, and no  single solution satisfies them all.  When looking at changes to White House press releases, only a change  to a page title or body text counted as “change,” while the Internet Archive counted all of the myriad  edits and additions to the White House navigation bar as “changes.”  This required downloading every  single  snapshot  of  each  page  and  applying  our  own  filters  to  extract  and  compare  the  body  text  ourselves.  One possible solution to this might be the incorporation of hybrid hierarchical structural and  semantic document models that allow a user to indicate which areas of the document he or she cares  about and to return only those snapshots in which that section has changed.    WHAT TO KEEP?    As  noted  in  the  introduction  to  this  blog  post,  the  digital  world  is  experiencing  explosive  growth,  producing more content in a few hours than was produced in the greater part of a century in the print  era.    This  growth  is  giving  us  an  incredible  view  of  global  society  and  enabling  communication,  collaboration, and social research at scales unimaginable even a decade ago, yet the richer this archive  becomes, the harder it is to archive.  The very volume of material that makes the web so exciting as a  communications platform means there is simply too much of it to keep.  Even in the era of books, there  were simply too many of them for any library to keep, but at least we could assume that some library  somewhere was probably collecting the books that we weren’t: an assumption that isn’t necessarily true  in the digital world yet.    An age‐old mechanism for dealing with overflow is to determine which works are the most “important”  and which can be discarded.  Yet, how do we decide what constitutes “noise” and what should be kept?   Talk to a historian writing a biography of a historic figure and he or she will likely point to routine day‐to‐ day  letters  and  diary  entries  as  a  critical  source  of  information  on  that  person’s  mood,  feelings,  and  beliefs.  Emerging research on using Twitter to forecast the stock market or measure public sentiment  are  finding  that  only  when  one  considers  the  entirety  of  all  340  million  tweets  each  day  do  the  key  patterns emerge.  A tweet of “I’m outside hanging the laundry, such a beautiful day” might at first seem  a prime candidate for discarding, but by its very nature, it reflects an author feeling calm and secure and 

relaxed: critical population‐level dynamics of great interest to social scientists.  Another mechanism is to  discard  highly  similar  works,  such  as  multiple  editions  of  the  same  work.    Yet,  an  emerging  area  of  research on the web is the tracing of “memes,” which are variations of a quote or story that evolve as  they  are  forwarded  across  users  and  communities  much  like  a  realtime  version  of  the  “telephone  game.”    It  is  critical  for  such  research  to  be  able  to  access  every  version  of  a  story,  not  just  the  most  recent.     The  rise  of  dual  electronic  +  print  publishing  pipelines  has  led  to  the  need  to  collect  TWO  copies  of  a  work, instead of just a single authoritative print edition.  Digital editions of books released as websites  may  include  videos,  photographs,  multimedia  and  interactive  features  that  provide  a  very  different  experience from the print copy.  Even in subject domains where print is still the “official” record, digital  has  become  the  defacto  record  through  its  ease  of  access.    How  many  citizens  travel  to  their  nearest  Federal  Depository  Library  and  browse  the  latest  edition  of  the  Public  Papers  of  the  President  to  find  press  releases  and  statements  by  their  government?    Most  likely  turn  instead  to  the  White  House’s  website, yet a study I coauthored in 2008 found that official US government press releases on the White  House  website  were  being  continually  edited,  with  key  information  added  and  removed  and  dates  changed  over  time  to  reflect  changing  political  realities.    In  a  world  in  which  information  is  so  easily  changed and even supposedly immutable government material changes with a click of a mouse, how do  we as web archivists capture this world and make it available?    This brings up one very critical distinction between the print and digital eras: the concept of change.  In  the  print  era,  an  archive  simply  needed  to  collect  an  item  as  it  was  published.    If  a  book  was  subsequently changed, the publisher would issue a new edition and notify the library of its availability.   A  book  sitting  on  a  shelf  was  static:  if  20  libraries  each  held  a  copy  of  that  book,  they  could  be  reasonably certain that all 20 copies were identical to each other.  In the digital era, we must constantly  scour for new pages to archive, but we also have a new role: checking our existing archive for change.   Every  single  page  every  saved  by  the  archive  must  be  rechecked  on  a  regular  basis  to  see  if  it  has  changed.  Websites don’t make this easy.  A study of the Chicago Tribune I conducted for the Center of  Research Libraries in 2011 found there was no single master list of articles published on the Tribune’s  site each day and the RSS feeds were sorted by popularity, not date.  To ensure one archived every new  article posted to the site, an archivist would have to monitor all 105 main topic pages on the Tribune’s  site every few hours or risk losing new articles on a news‐heavy day.  At the level of the web as a whole,  one  can  monitor  the  DNS  domain  registry  to  get  a  continually‐updated  list  of  every  domain  name  in  existence.    However,  even  this  provides  only  a  list  of  websites  like  “cnn.com,”  not  a  list  of  all  of  the  pages on that site.     In the era of books, a library needn’t purchase a work the day it was released, as most books continued  to be printed and available for at least months, if not years afterwards.  A library could wait a year or  two  until  it  had  sufficient  budget  or  space  to  collect  it.    Web  pages,  on  the  other  hand,  may  have  halflives measured in seconds to minutes.  They can change constantly, with no notice, and the velocity  of  change  can  be  extreme.    In  addition,  more  content  is  arriving  in  “streaming”  format  on  the  web.   Archiving  Twitter  requires  being  able  to  collect  and  save  over  4,000  messages  per  second  in  realtime,  with no ability to “go back” for missed ones.  A network outage of 10 minutes means 2.5 million tweets  that  have  been  lost  forever.    In  the  web  world,  content  producers  set  the  schedule  for  collection  and  archivists must adhere to those schedules.    Myron  Gutmann,  Assistant  Director  of  the  National  Science  Foundations’  Directorate  for  Social,  Behavioral, & Economic Sciences recently gave a talk earlier this year where he argued that in the print 

era  the  high  cost  of  producing  information  meant  that  whatever  was  published  was  “worth  keeping”  because there were so many layers of review.  In contrast, the tremendously low cost of publication in  the digital era means anyone can publish anything without any form of review.  This raises the question  even in scholarly disciplines of what is “worth” keeping?  If an archive becomes too full and a massive  community  of  researchers  is  served  by  one  set  of  content  and  just  10  users  are  served  by  another  collection  of  material,  whose  voice  matters  the  most  in  what  is  deleted?    How  do  we  make  decisions  about what to keep?  Historically those decisions were made by librarians or archivists by themselves,  but  as  users  and  data  miners  become  increasing  users  of  archives,  this  raises  the  question  of  how  to  engage those communities in these critical decisions.     THE RISE OF THE PARALLEL WEB    When  we  speak  of  “archiving  the  web”  we  often  think  of  the  “web”  as  a  single  monolithic  entity  in  which  all  content  that  is  produced  or  consumed  via  a  web  browser  is  accessible  for  archiving.    The  original  vision  of  the  web  was  based  on  this  ideal:  an  open  unified  platform  in  which  all  material  was  available to all users.  For the most part this vision survived the early years of the web, as users strove to  reach  the  greatest  possible  audience.    Yet,  a  new  trend  has  begun  over  the  past  half‐decade,  corresponding with the rise of social media: the creation of “parallel” versions of the web.      Every one of those quarter‐billion photographs uploaded to Facebook each day is posted and consumed  via  the  web,  whether  through  browser  on  a  desktop  or  a  mobile  app  on  a  smartphone.    Yet,  despite  transiting the same physical telecommunications infrastructure as the rest of the web, those photos are  stored in a parallel web, owned and controlled entirely by a commercial entity.  They are not part of the  “public” web and thus not available to web archives.  In many ways this is no different than the libraries  and archives of the print era.  Libraries focused on collecting books and pamphlets, while a good deal of  communication  and  culture  occurred  in  letters,  diaries,  drawings,  and  artwork  that  have  largely  been  lost.  The difference in the digital era is that instead of being scattered across individual households, all  of this material is already being centralized into commercially‐owned “archives” and “libraries.”      Not everyone desires every conversation of theirs to be preserved for posterity, but in the print era one  had  a  choice:  a  letter  or  diary  or  photograph  was  a  physical  object,  held  by  its  owner  and  could  be  passed down to later generations.  How many of us have come across a shoebox of old photographs or  letters from a grandparent?  In the digital era, a company holds that material on our behalf and while  most  have  terms  of  service  that  agree  we  “own”  our  material,  only  one  major  social  media  platform  today offers an “export” button that allows us to download a copy of the material we have given it over  the years: Google Plus’ Google Takeout.  Twitter has recognized the importance of the communications  that  occur  via  its  service  and  has  made  a  feed  of  its  content  available  to  the  Library  of  Congress  for  archiving  for  posterity.    Most  others  like  Facebook  and  international  platforms  like  Weibo  or  VK  (formerly VKontakte) have not.   Facebook in effect has become a parallel version of the web, hosted on  the web, but walled off from it, with no means for users to archive their material for the future.      Twitter offers a shining example of how such platforms can interact with the web archiving community  and  ensure  that  their  material  is  archived  for  future  generations.    Self‐archiving  services  like  Google  Takeout offer an intermediate step in which users at least retain the ability to make their own archival  copy  of  their  contributions  to  the  web  for  future  generations.    As  more  of  the  web  moves  behind  paywalls, password protection, and other mechanisms, creating more and more parallel versions of the  web, there must be greater discussion within the web archiving community about how we reach out to 

these services to find ways of ensuring users of these communities may archive their  material for the  future.      DATA MINING    For  millennia,  scholarship  in  archives  and  libraries  has  meant  intensive  reading  of  a  small  number  of  works.    In  the  past  decade  the  “digital  humanities”  and  computational  social  sciences  has  led  to  the  growing  use  of  computerized  analysis  of  archives  in  which  software  algorithms  are  used  to  identify  patterns and point to areas of interest in the data.  Digital archives have largely been built around this  earlier  access  modality  of  deep  reading,  while  computational  techniques  need  rapid  access  to  vast  volumes  of  content,  often  encompassing  the  entire  archive.    New  programming  interfaces  and  access  policies are needed to enable this new generation of scholarship using web archives.    Informal  discussions  with  web  archivists  suggest  a  chicken‐or‐the‐egg  dilemma  in  this  regard:  data  miners want to analyze archives, but can’t without the necessary programmatic interfaces, and archives  for the most part want to encourage use of their archives, but don’t know what interfaces to support  without working with data miners.  Few archives today support the necessary programmatic interfaces  for automated access to their collections, and those that do tend to be aimed at metadata, rather than  fulltext  content,  and  use  library‐centric  protocols  and  mindsets.    Some  have  fairly  complex  interfaces,  with very fine‐grained toolkits for each possible use scenario.  The few that offer data exports offer an  either‐or proposition: you either download a ZIP file of the entire contents of everything in the archive  or  you  get  nothing:  there  is  no  in‐between.    Though  there  are  some  bright  spots:  the  National  Endowment for the Humanities has made initial steps towards helping archivists and data miners work  together  through  grand  challenge  programs  like  its  Digging  into  Data  initiative  where  a  selection  of  archives made their content available to awardees for large data mining.    Yet, one only has to look at Twitter for a model of what archives could do.  Twitter provides only a single  small programming interface with a few very basic options, but through that interface it has been able  to support an ecosystem of nearly every imaginable research question and tool.  It even offers a tiered  cost‐recovery model: users needing only small quantities of data (a “sip”) can access the feed for free,  while the rest are charged at a tiered pricing model based on the quantity of data they need, up to the  entirety  of  all  340M  tweets  at  the  highest  level.    Finally,  the  interfaces  provided  by  Twitter  are  compatible  with  the  huge  numbers  of  analytical,  visualization,  and  filtering  tools  provided  by  the  Google’s and Yahoo’s of the world with their open cloud toolkits.  If archives took the same approach  with a standardized interface like Twitter’s, researchers could leverage these  huge ecosystems for the  study of the web itself.      For some archives, the bottleneck has become the size of the data, which has become too large to share  via  the  network.    Through  a  partnership  with  Google,  data  miners  can  request  from  the  HathiTrust  a  copy  of  the  1800‐1924  Google  Books  archive,  consisting  of  around  750  million  pages  of  material.   Instead of receiving a  download link,  users must pay the cost of purchasing  and shipping a box full of  USB drives, because networks, even between research universities, simply cannot keep up with the size  of datasets used today.  In the sciences, some of the largest projects, such as the Large Synoptic Survey  Telescope, are going as far as to purchase and house an entire computing cluster in the same machine  room  as  the  data  archive  and  allowing  researchers  to  submit  proposals  to  run  their  programs  on  the  cluster, because even with USB drives the data is simply too large to copy.      

Not all of the barriers to offering bulk data mining access to archives are technical: copyright and other  legal  restrictions  can  present  significant  complications.    Though  even  here  technology  can  provide  a  possible  alternative:  “nonconsumptive  analysis,”  in  which  software  algorithms  perform  surface‐level  analyses rather than “deep reading” of text, may satisfy the requirements of copyright.  In other cases,  transformations  of  copyright  material  to  another  form,  such  as  to  a  wordlist,  as  was  done  with  the  Google Books Ngrams dataset, may provide possible solutions.    Not  everyone  appreciates  or  understands  the  value  web  archives  provide  society  and  they  are  constantly under pressure just to find enough funds to keep the power running.  This is an area where  partnering  with  researchers  may  help:  there  are  only  a  few  sources  of  funding  for  the  creation  and  operation of web archives compared with the myriad funding opportunities for research.  The increased  bandwidth, hardware load, and other resource requirements of large data mining projects comes at a  real cost, but at the same time, it directly demonstrates the value of those archives to new audiences  and disciplines that may be able to partner with those archives on proposals, potentially offering new  funding opportunities.    USER INSIGHT    While some archives cannot offer access to their holdings for legal reasons and instead serve only as an  archive‐of‐last‐resort, most archives would hold little value to their constituents if they were not able to  provide  some  level  of  access  to  the  content  they  archived.    User  interfaces  as  a  whole  today  are  designed  for  casual  browsing  by  non‐expert  users,  with  simplicity  and  ease  of  use  as  their  core  principles.  As archives become a growing source for scholarly research, archives must address several  key areas of need in supporting these more advanced users:     • Inventory.  There is a critical need for better visibility into the precise holdings of each archive.   With most digital libraries of digitized materials a visitor can browse through the collection from  start  to  end,  though  even  there  one  usually  can’t  export  a  CSV  file  containing  a  master  list  of  everything in that collection.  Most web archives, on the other hand, are accessible only through  a  direct  lookup  mechanism  where  the  user  types  in  a  URL  and  gets  back  any  matching  snapshots.    Archives  only  store  copies  of  material,  they  don’t  provide  an  index  to  it  or  even  a  listing of what they hold: it is assumed that this role is provided elsewhere.  For domains that  have been deleted or now house unrelated content, this is not always the case.  This would be  akin to libraries dropping their reading rooms, stacks, and card catalogs, and storing all of their  books  in  a  robotic  warehouse.    Instead  of  browsing  or  requesting  a  book  by  title  or  category,  one could only request a book by its ISBN code, which had to be known beforehand, and it was  someone else’s responsibility to store those codes.  A tremendous step forward would be a list  from each archive of all of the root domains that it has one or more pages from, but ultimately  having  a  list  of  all  URLs,  along  with  the  number  of  snapshots  and  a  list  of  the  dates  of  those  snapshots would really enable an entirely new form of access to these archives.  This data could  be used by researchers and others to come up with new ways of accessing and interacting with  the data held by these archives.  • Meta Search.  With better inventory data, we could build metasearch tools that act as the digital  equivalent  of  WorldCat  for  web  archives.    Web  archives  today  operate  more  like  document  archives than libraries: they hold content, but they themselves often have no idea the full extent  of  what  they  hold.    A  scholar  looking  for  a  particular  print  document  might  have  to  spend  months or even years scouring archives all over the world looking for one that holds a copy of  that document, whereas if she was looking for a book, a simple search on WorldCat would turn 

up a list of every participating library that held a copy in their electronic catalog.  This is possible  because  libraries  have  invested  in  maintaining  inventories  of  their  holdings  and  standardizing  the way in which those inventories are stored so that third parties can aggregate and develop  services that allow users to search across those inventories.  Imagine being able to type in a URL  and see every copy from every web archive in the world, rather than just the copies held by any  one archive.  Specialty Archives.  Metasearch would allow federated search across all archives, but this also  raises the concern about backups of smaller specialty archives.  Larger whole‐web archives like  the Internet Archive still can’t possibly archive everything that exists.  Specialty archives fill this  niche, often with institutional focuses or through a researcher creating an archive of material on  a  particular  niche  topic  for  her  own  use.    Often  these  archives  are  created  for  a  particular  research project and then discarded when that paper is published.  How do we bring these “into  the  fold”?    Perhaps  some  mechanism  is  needed  for  allowing  those  archives    to  submit  to  a  network  of  web  archives  and  say  essentially  “if  you’re  interested,  here  you  go?”    They  would  need to be marked separately, since their content was produced outside of the main archive’s  processes,  but  as  web  crawlers  become  easier  to  use  and  more  researchers  create  their  own  specialty  curated  collections,  should  we  have  mechanisms  to  allow  them  to  be  archived,  to  leverage their resources to penetrate areas of the web we might not be able to?  Citability.  For archives to be useful in scholarly research, a particular snapshot of a page must  have a permanent identifier that can be cited in the references list of a publication.  The Internet  Archive provides an ideal example of this, in which each snapshot has its own permanent URL  that  includes  both  the  page  URL  and  the  exact  timestamp  of  that  snapshot.    This  URL  can  be  cited in a publication in the same format as any other webpage.  Yet, not every archive provides  this type of access, some make use of AJAX (interactive JavaScript applications) that provide a  more  “desktop‐like”  browsing  experience,  but  mask  the  URL  for  each  snapshot,  making  it  impossible to point others to that copy. 

  TECHNICAL INSIGHT    In the modern era libraries and archives have existed decoupled from their researchers: a professional  class collected and curated their collections and scholars traveled about to whichever institutions held  the materials they needed.  Few records exist as to why a given library collected this work rather than  that one, and as scholars we simply accept this.  Yet, perhaps in the digital era we can do better, as most  of  these  decisions  are  stored  in  emails,  memos,  and  other  materials,  all  of  them  searchable  and  indexable.    Web  crawlers  are  seeded  with  starting  URLs  and  crawl  based  on  deterministic  software  algorithms, both of which can be documented for scholars.    Most  web  archives  operate  as  “black  boxes”  designed  for  casual  browsing  and  retrieval  of  individual  objects, without asking too many questions about how that object got there.  This is in stark contrast to  digitized archives, in which every conceivable piece of metadata is collected.   A visitor to the Internet  Archive today encounters an odd experience: retrieving a digitized book yields a wealth of information  on how that digital copy came to be, from the specific library it came from to the name of the person  who  operated  the  scanner  that  photographed  it,  while  retrieving  a  web  page  yields  only  a  list  of  available snapshot dates.    • Snapshot Timestamps.  All archives store an internal timestamp recording the precise moment  when a page snapshot was downloaded, but their user interfaces often mask this information.   For example, when examining changes in White House press releases, we found that clicking on 

a snapshot for “April 4, 2001” in the Internet Archive would always take us to a snapshot of the  page we requested, but if we looked in the URL bar (Internet Archive includes the timestamp of  the snapshot in the URL), we noticed that occasionally the snapshot we were ultimately given  was from days or weeks before or after our requested date.  Upon further research, we found  that some archives automatically redirect a user to the nearest date when a given snapshot date  becomes unavailable due to hardware failure or other reasons.  This is an ideal behavior for a  casual user, but for an expert user tracing how changes in a page correspond to political events  occurring  each  day,  this  is  problematic.    Archives  should  provide  a  notice  when  a  requested  snapshot  is  not  available,  allowing  the  user  to  decide  whether  to  proceed  to  the  closest  available one, or select another date.  Page  Versus  Site  Timestamps.    Some  archives  display  only  a  single  timestamp  for  all  pages  collected  from  a  given  site  during  a  particular  crawl:  usually  the  time  at  which  the  crawlers  started archiving that site.  Even a medium‐sized site may take hours or days to fully crawl when  rate‐limiting  and  other  factors  are  taken  into  account,  and  for  some  users  it  is  imperative  to  know the precise moment when each page was requested, not when the crawlers first entered  the site.  Most archives store this information, so it is simply a matter of providing access to it  via the user interface for those users requesting it.  Crawl Algorithms.  Not every site can be crawled to its entirety: some sites may simply be too  large or have complex linking structures that make it difficult to find every page, or they may be  dynamically  generated.    Some  research  questions  may  be  affected  by  the  algorithm  used  to  crawl the site (depth‐first vs breadth‐first), the seed URLs used to enter the site (the front page,  table of contents pages, content pages, etc), where it aborted the crawl (if it did), which pages  errored  during  the  crawl  (and  thus  whose  links  were  not  crawled),  etc.    If,  for  example,  one  wishes to estimate the size of a dynamic database‐driven website, such factors can be used to  draw  estimates  on  its  total  size  and  composition,  but  only  if  users  can  access  these  technical  characteristics of the crawl.  Raw  Source  Access.    Current  archives  are  designed  to  provide  a  transparent  “time  machine”  view of the web, where clicking on a snapshot attempts to render the page in a modern browser  in  a  way  that  reproduces  what  it  originally  looked  like  when  it  was  captured,  as  faithfully  as  possible.    However,  a  page  might  contain  embedded  HTML  instructions  such  as  a  <META  REFRESH>  tag  or  JavaScript  code  that  automatically  forwards  the  browser  to  a  new  URL.    This  may  happen  transparently  without  the  user  noticing.    In  our  study  of  White  House  press  releases,  we  were  especially  interested  in  pages  that  had  been  blanked  out,  where  a  press  release had been replaced with a <META REFRESH> tag and an editorial comment in an HTML  comment  in  the  page.    Clicking  on  these  pages  using  the  Internet  Archive  interface  just  forwarded  us  to  the  new  URL  indicated  by  the  refresh  command,  so  we  had  to  download  the  pages  via  a  special  downloading  software  package  so  we  could  review  the  source  code  of  the  page  without  being  redirected.    This  is  a  relatively  rare  scenario,  but  it  would  be  helpful  for  archives to provide a “view source” mode, where clicking on a snapshot takes the user right to  the source code of a page, instead of trying to display the page.  Crawler  Physical  Location.    Several  major  foreign  news  outlets  embargo  content  or  present  different  selections  or  versions  of  their  content  depending  on  where  the  visitor’s  computer  is  physically located.  A visitor accessing such a site will see a very different picture depending on  whether  she  is  in  the  United  States,  the  United  Kingdom,  China,  or  Russia.    This  is  actually  growing as an issue, as more sites adopt content management systems that dynamically adjust  the structure and layout of the site for each individual visitor based on their actions as they click  through  the  site.    Analyses  of  such  sites  require  information  on  where  the  crawlers  were  physically located and the exact order of pages they requested from the site.  As with the other 

recommendations listed above, this information is already held by most archives, it is simply a  matter of making it more available to users.     FIDELITY AND LINKAGE    • Fidelity.  Modern web archiving platforms capture not only the HTML code of a page, but also  interpret the HTML and associated CSS files to compile a list of images, CSS files, JavaScript code,  and  other  files  necessary  to  properly  display  the  page  and  archive  these  as  well.    The  rise  of  interactive  and  highly  multimedia  web  pages  is  challenging  this  approach,  as  pages  may  have  embedded  Flash  or  AJAX/JavaScript  applications,  streaming  video,  and  embedded  widgets  displaying information from other sites.  No longer limited to “high design” or highly technical  sites,  these  features  are  making  their  way  into  more  traditional  websites,  such  as  the  news  media.    For  example,  the  BBC’s  website  includes  both  Flash  and  JavaScript  animations  on  its  front  page,  while  the  Chicago  Tribune’s  site  includes  Flash  animations  on  its  front  page  that  respond to mouseovers and animate or perform other actions.  BBC also includes an embedded  JavaScript  widget  that  displays  advertisements.    Both  sites  include  extensive  embedded  streaming  Flash‐based  video.    Many  of  these  tools  reference  data  or  JavaScript  code  on  other  sites: for example many sites now make use of Google’s Visualization API toolkit for interactive  graphs and displays and simply link to the code housed on Google’s site.  On the one hand, we  might  dismiss  advertisements  and  embedded  content  as  not  worth  archiving,  yet  a  rich  literature in the advertising discipline addresses the psychological impact of advertisements and  other sidebar material on the processing of information in the web era.  Even digitized historical  newspaper archives have been very careful to offer access to the entire scanned page image to  allow scholars to access advertisements and layout information, rather than just focusing on the  article  text.    Excluding  dynamic  content  will  make  it  impossible  for  scholars  of  the  future  to  understand how advertisements were used on the web.  Yet, simply saving a copy of a Flash or  AJAX widget may not be sufficient, as technical dependencies may render them unexecutable 20  years  from  now.    One  possibility  might  be  creating  a  screen  capture  of  each  page  as  it  is  archived, to provide at least a coarse snapshot of what that page looked like to a visitor of the  time period.  • Web/Social  Linkage.    Many  sites  are  making  use  of  social  media  platforms  like  Twitter  and  Facebook  as  part  of  their  overall  information  ecosystem.      For  example,  the  front  page  of  the  Chicago  Tribune  prominently  links  to  its  Facebook  page,  where  editors  post  a  curated  assortment of links to Tribune content over the course of each day.  Visitors “like” stories and  post  comments  on  the  Facebook  summary  of  the  story,  creating  a  rich  environment  of  commentary that exists in parallel to the original webpage on the Tribune site.  Other sites allow  commentary  directly  on  their  webpages  through  a  “user  comments”  section.    Some  sites  may  only allow comments for a few days after a page is posted, while others may allow comments  years later.  This social narrative is an integral part of the content seen by visitors of the time,  yet  how  do  we  properly  preserve  this  material,  especially  from  linked  social  media  platform  profiles?    CONCLUSIONS AND THE ROLE OF ARCHIVES    As web archives mature and expand, a growing question revolves around the role of these archives in  society.    What  should  their  primary  mission(s)  be  and  how  can  they  best  fulfill  those  roles?    At  their  most  basic  level,  I  believe  web  archives  fulfill  three  primary  roles:  Preservation,  Research,  and  Authentication, in that order. 

  • Preservation.    First  and  foremost,  web  archives  preserve  the  web.    They  act  as  the  web  equivalent of the archive or library, constantly monitoring for new content, requesting a copy of  that content, and keeping a copy of it for posterity.  In this role, their mission is to acquire and  preserve the web for future generations, with access being primarily through basic browsing and  retrieval.    Some  archives,  for  legal  purposes,  may  not  even  be  able  to  provide  access  to  their  holdings  during  the  lifetime  of  the  organizations  providing  them  content,  instead  holding  that  material  under  embargo  for  a  certain  number  of  years,  but  ensuring  its  continued  survival  for  future generations.  Research.  A unique and emerging use of archives is as a research service for scholars.  Very few  academics, especially in the social sciences and humanities, have the computational expertise or  resources  to  crawl  and  download  large  portions  of  the  web  for  research.    Commercial  web  crawling  companies like Google do not provide their data for research, and thus web archives  provide  a  fundamentally  unique  and  enabling  resource  for  the  study  of  the  web  that  scholars  can  turn  to.    Even  more  critically,  many  key  humanities  and  social  science  questions  revolve  around  how  ideas  and  communication  change  over  time,  and  web  archives  capture  the  only  view of change on the web.  In this role, the secondary mission of archives is to provide access  to their holdings that goes beyond the basic browsing needed for casual use or deep scholarly  reading of a small number of works, towards providing programmatic tools and access policies  that support computational data mining of large portions of their holdings.  Authentication.  A final emerging use of archives is as an authentication service.  Web data is  highly mutable, changing constantly, and there is no way to authenticate whether the page I see  today is the same as what I saw yesterday, especially if the change is a small one.  It took more  than five years for changes to White House press releases to be spotted via copies held in the  Internet  Archive,  and  even  then  the  discovery  was  entirely  by  accident.    Third  party  archives  allow “authentication” of what a page looked like at a given moment.  One could even imagine  someday a browser plugin that, as a user browsed certain sites on the web (such as government  pages, perhaps medical or other pages), would compare each page with the most recent copy  stored by a network of web archives, and display an indicator to the user as to whether the page  has changed since it was last archived, as well as highlight those changes.  In this role, the third  peripheral  mission  of  the  web  archive  is  to  act  as  a  “disinterested  third  party”  that  can  authenticate and verify the contents of a given web page at a given moment in time. 

  Wikipedia  offers  an  intriguing  vision  of  what  the  ultimate  web  archive  might  look  like.    Every  edit  to  every page since the inception of the site has been archived and is available at a mouse click, allowing a  visitor or scholar to trace the entire history of every word.  Every operation taken on the site and the  complete source code to every algorithm used for various automated processes are fully documented  and make available, offering complete technical transparently.  Finally, a dedicated bulk download page  is maintained in which researchers may download a ZIP file containing the entirety of the site and every  edit ever performed, which has made Wikipedia a mainstay of considerable social and computer science  research.    As our digital world continues to grow at a breathtaking pace and more and more of our daily live occurs  within  its  digital  boundaries,  we  must  ensure  that  web  archives  are  there  to  preserve  our  collective  global consciousness for future generations.     

Sign up to vote on this title
UsefulNot useful