L’archivage du Web par la BnF : sauvegarde et valorisation de la mémoire en ligne

À l’occasion de nos cours  de médiation de l’histoire et des humanités numériques, nous avons rencontré différents professionnels qui nous ont fait part de différentes thématiques relatives à la divulgation des connaissances, notamment les sciences humaines et sociales (SHS) à l’ère du numérique. Sur ce, la présentation de Sophie Gebeil intitulée « Archives, Histoire à l’ère d’internet : de la numérisation à l’archivage du web » a attiré notre attention. Dans la société de l’information, le web constitue un des médias  privilégié de production et de diffusion de l’information. Des milliers de contenus sont  véhiculés sur les sites web au quotidien sans un réel souci sur leur sort.

Consciente de la valeur de l’information et de ses enjeux, la BnF, précurseure de l’archivage du web en France, a développé des initiatives permettant de sauvegarder chaque année, des millions de pages web à caractère patrimonial, par le biais bien sûr du dépôt légal du Web au titre duquel la BnF partage la mission d’archivage du Web français avec l’Ina.1 En effet, des milliers de pages web ont disparu ou auraient disparu, s’il n’y avait pas ce travail d’archivage. Ainsi, dans ce billet, nous allons nous intéresser aux archives du web de la BnF.

La question de la sauvegarde du patrimoine du web a été soulevée quelques années après la création du Web par Tim Berners-Lee vers les années 1990. En 1996, la Fondation Internet Archive créé par Brewster Kahle archiva pour la première fois des pages web grâce à la Wayback machine pour les mettre à la disposition du public. Au début du XXIe siècle, la patrimonialisation du web devient une préoccupation majeure, et l’UNESCO va rédiger en 2003, une Charte de préservation du patrimoine numérique. Dans la foulée, des initiatives réglementaires sont prises au  niveau européen, tel est le cas, en France,  de la loi DADVSI (Droit d’auteur et droit voisin dans la société de l’information) du 1er août 2006 instaurant le dépôt légal du web.

« Les archives de l’internet conservées à la BnF représentent à ce jour plus d’1 pétaoctet de données. Les toutes premières collections, constituées à titre expérimental et par l’apport d’Internet Archive, remontent à 1996 ».2 

La collecte du web par la BnF

Le dépôt légal du web permet à la BnF de collecter les pages des sites web français.  Il rentre dans le sillage pluriséculaire du dépôt légal traditionnel (imprimés, photographies, estampes, …) mis en place depuis 1537 par François Ier. L’article 39 de ladite loi DADVSI stipule :

Les logiciels et les bases de données sont soumis à l’obligation de dépôt légal dès lors qu’ils sont mis à disposition d’un public par la diffusion d’un support matériel, quelle que soit la nature de ce support .

Sont également soumis au dépôt légal les signes, signaux, écrits, images, sons ou messages de toute nature faisant l’objet d’une communication au public par voie électronique. Loi DADVSI, article 39

Le dépôt légal de la BnF se fait directement par un système automatique de collecte. La BnF peut aussi trouver un accord avec les organismes pour définir les procédure et modalités de la collecte.  Le champ de la collecte concerne le domaine français, c’est-à-dire les sites web qui se terminent par .fr, et les sites enregistrés sous un nom de domaine générique (.com, .org)  produits en France ou dont les auteurs sont résidents en France.

Pour ce faire, la BnF utilise des robots Heiritrix qui parcourent le web de page en page pour récupérer « les contenus qu’on les a chargés de moissonner ».3 Cette technologie permet à la BnF d’archiver un volume colossal de données. Toutefois, elle reste limitée dans la mesure certaines ne sont pas bien récupérées ou échappent complétement au robot, notamment dans le web caché, c’est-à-dire les sites non référencés par les moteurs de recherche. Par conséquent, la collecte de la BnF repose sur « un principe de représentativité » qui utilise deux modes4

Une collecte « large »

Elle se fait une fois par an. Vu que, l’exhaustivité ne peut pas être atteinte, elle se fait à partir d’un échantillon des listes de sites possibles générées par l’Association française pour le nommage de l’internet en coopération AFNIC. Néanmoins, elle ne cesse de s’élargir d’année en année,  passant de la décennie « 2007–2017  de 0,9 millions à 4,5 millions du nombre de domaines collectés, avoisinant 60% du web français ».

Une collecte « ciblée »

Les collectes ciblées sont réalisées par des bibliothécaires, des chercheurs et des spécialistes  correspondants DL Web  Elles se font à partir de sélections de sites selon des  paramètres de fréquences diverses. Cette fréquence est tributaire de l’évolution des sites et de leurs mises à jour. Certaines de ces collectes sont  « courantes », c’est-à-dire, elles concernent des sites référencées de façon continue par la BnF. Il existe par ailleurs, des « collectes projets », qui permettent de documenter les grandes thématiques (lettres, sciences, santé,…) et les évènements majeurs (élections, festivals, compétitions sportives…). D’autre part, la BnF procède à des « collectes d’urgence » pour sauvegarder les évènements imprévisibles ayant un grand impact dans la société. C’est le cas actuellement concernant les contenus liés à l’épidémie du Covid-19, qui mobilise aussi bien les archivistes que les chercheurs à l’image du projet international WARCnet ; dont la BnF et l’INA sont parties prenantes.

Valorisation des archives de l’internet 

Le patrimoine numérique collecté par la BnF est accessible aux chercheurs accrédités dans les salles de lecture de la BnF et de ses partenaires. Les chercheurs peuvent accéder aux ressources à partir des postes informatiques mis à leur disposition ou à partir de leur ordinateur personnel. La restriction de la consultation est due aux contraintes qu’impose  le respect du droit de la propriété intellectuelle. Dans leur travail de médiation, les bibliothécaires et chercheurs proposent au quotidien une sélection d’archives, qui s’affiche sur la page d’accueil de la plateforme. 

Pour l’exploration des archives, la plateforme Archives de l’internet propose aux utilisateurs  plusieurs fonctionnalités.

« Parcours guidée » : propose des sélections d’archives sur différents sujets, choisis par les bibliothécaires et les chercheurs. Il comprend des thèmes et sous-thèmes illustrés, grâce aux captures d’archives. Par exemple, les mémoires de l’immigration maghrébine 1999-2014le Web des années 90

« Recherche par adresse internet  (URL) »: pour retrouver l’archive d’un site, d’une page, d’un fichier. Elle peut s’effectuer en mode simple (texte libre) ou en mode avancé (par année ou par collection).

« Recherche par mot » : elle peut s’effectuer également en mode simple (texte libre) ou en mode avancé (combinaison ou exclusion de mots ou  de dates). En conséquence, les bibliothécaires développent une indexation plein texte pour faciliter ce type de recherche.

Les pages web archivées sont restituées dans leur contexte original de publication. Néanmoins, la volatilité de l’internet fait que l’affichage de certains sites, dans la plateforme, n’est pas toujours fidèle à celui des sites web originaux (pages manquantes, liens non actifs,…). Cela arrive souvent avec les sites non sélectionnés par la BnF mais capturés par Heritrix à partir d’autres sites moissonnés.  Ainsi, la liste des sites accessibles sur Archives de l’internet sont disponibles sur data.bnf.fr pour les collections thématiques issues des collectes ciblées, et sur data.gouv.fr pour les sites institutionnels et les élections.

À l’heure du Big Data, le web devient une source de référence primordiale aussi bien pour l’histoire que pour les autres domaines. Ainsi, il importe de collecter, de conserver et de valoriser les archives du web ; afin de mieux bâtir, la matière,  sur laquelle,  seront approvisionnées, les recherches de demain.  

Saliou LO

Master 2 Histoire, civilisations, patrimoine, Métiers des archives, des bibliothèques. Médiation de l’histoire et humanités numériques

 


Bibliographie

Textes réglementaires sur le dépôt légal 

  • Décret n° 2011-1904 du 19 décembre 2011 relatif au dépôt légal
  • Loi DADVSI 2006 (Droit d’auteur et droit voisin dans la société de l’information)

Crédits photographiques  :

image mise en avant, Scott Beale  « Internet Archive » Attribution – Pas d’Utilisation Commerciale – Pas de modification 2.0 Générique (CC BY-NC-ND 2.0) https://creativecommons.org/licenses/by-nc-nd/2.0/deed.fr

BnF, Capture d’écran page d’accueil Archives de l’internet 

  1. Laurie Lajara, Marylène Mattei, les archives du web sur l’Inathèque, 20 janvier 2019. Blog Master métiers des archives et des bibliothèques : médiation de l’histoire et humanités numériques, AMU https://masterabd.hypotheses.org/3716  []
  2. BnF, Archives de l’internet, https://www.bnf.fr/fr/archives-de-linternet []
  3. Clément.Oury Le dépôt légal de l’internet à la Bibliothèque nationale de France. 2014. https://halbnf.archivesouvertes.fr/hal01098519/document []
  4. Annick Le Follic, Peter Stirling, Bert Wendland. Putting it all together: creating a unified web harvesting workflow at the Bibliothèque nationale de France. 2013. https://hal-bnf.archives-ouvertes.fr/hal-00873759 []

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.