Uživatelská dokumentace
Přihlášení je možné pomocí uživatelského jména a hesla na adrese https://www.wacloud.nkp.cz.
Na úvodní stránce lze přepnout do anglické jazykové verze nebo si přečíst v sekci FAQ nejčastější dotazy a odpovědi na ně. Po přihlášení se uživatel dostane na první část dotazu.
Dotaz je rozdělen do dvou částí s vlastním rozhraním. Rozhraní první části dotazu se skládá z několika sekcí. Nahoře je umístěna hlavička aplikace, v levém sloupci se nastavují parametry vyhledávání (Filtry a Nastavení limitů), vpravo pod hlavičkou je umístěno pole dotazu (Dotaz) s Logickými operátory (AND, OR, NOT, levá a pravá závorka), pod nímž je umístěna tabulka sklizní (Sklizně). Pod tabulkou Sklizně je tlačítko Pokračovat, které umožňuje přejít k analytickým dotazům v druhé části dotazu.
V hlavičce se nachází dvě skupiny odkazů. Nalevo je umožněn návrat na hlavní stránku rozhraní (symbol domečku), odkaz na webové stránky Národní knihovny ČR a Webarchivu. Vpravo jsou odkazy na kategorie Nový dotaz, Oblíbené, předchozí dotazy (Moje dotazy), FAQ, která zahrnuje i odkaz na dokumentaci, a na uživatelské nastavení (Uživatel), v němž je možné se z aplikace odhlásit, případně změnit jazykovou verzi (českou nebo anglickou). Aktuální režim kategorie (stránky) má modrou barvu.
Filtry zahrnují pět kategorií - Téma, Typ stránky, Datum sklizně, URL a Sentiment.
Filtry Téma, Typ stránky a Datum sklizně se nastavují výběrem z možností. Pro Téma to je několik desítek abecedně seřazených předmětových hesel (ta lze vybírat buď rolováním, nebo je lze psát). U kategorie Typ stránky lze zvolit e-shop (internetové obchody), forum (diskusní fóra), news (zpravodajství) a others (ostatní weby, které nezapadají do výše uvedených kategorií). Po vybrání požadovaného parametru je nutné stisknout jedno ze dvou tlačítek/logických operátorů, buď = (rovná se, vyhledává) nebo ≠ (nerovná se, vyjímá z hledání), které přidají parametr do pole Dotaz vpravo.
Datum sklizně se volí výběrem z kalendáře, datum lze manuálně přepsat. Pro vložení do dotazu je nutné použít operátor přidat (+).
URL- Webovou stránku, ve které probíhá vyhledávání, lze přidat 4 způsoby: obsahuje, neobsahuje, rovná se, nerovná se. Rovná se vyhledá přesně zadaný řetězec, nebo nevyhledá v případě možnosti Nerovná se. V příkazech obsahuje a neobsahuje stačí zadat jen část hledané adresy. Pro vložení do dotazu je nutné použít operátor přidat (+).
Sentiment- sentiment sleduje citové zabarvení obsahu webu. Sentiment nabývá hodnot od -1 (zcela negativní) přes 0 (neutrální) po +1 (zcela pozitivní). Nastavit lze určité rozmezí. I zde je možné přidat do dotazu operátor rovná se nebo nerovná se a pracovat s různým vymezením. Více k sentimentu: Analýza sentimentu – Wikipedie (wikipedia.org)
Pomocí těchto filtrů lze vytvořit složitější dotaz, protože všechny parametry lze zadávat opakovaně.
Nastavení limitů umožňuje omezit a zpřesnit výsledky vyhledávání.
Stop slova Stop slova jsou slova, která nebudou zohledněna při dalším vyhledávání - většinou jde o předložky, spojky, částice nebo zájmena. Uživateli je nabídnuta sada stop slov. Stop slova lze přidávat (kolonka vlevo nahoře po napsání a stisknutí +) nebo ubírat (x za každým slovem). Seznam stop slov lze také exportovat nebo importovat do/z vlastní databáze ve formě souboru .txt. Červené tlačítko koš umožňuje vymazat všechna zadaná slova. K použití změněných stop slov je nutné stisknout modré tlačítko Uložit.
Počet záznamů umožňuje omezit počet výsledků. Standardně je nastaveno omezení na 100 záznamů. Lze tu také zvolit Náhodné záznamy. Semínko pro náhodnost je řetězec čísel, díky němuž je možné získat opakovaně stejné náhodné záznamy, které jsou seřazeny chronologicky.
V poli dotaz se zobrazuje syntax dotazu. Ten je sestavován pomocí nastavení jednotlivých parametrů v sloupci nalevo. Dotaz lze upravovat i psaním přímo do pole dotazu. Dotaz lze exportovat i importovat - stáhnout si ho do textového souboru (formát .txt) a později nahrát. Pod dotazem se nacházejí logické operátory - AND (a), OR (nebo), NOT (ne) a pravá a levá závorka. Tyto operátory umožňují společně se zadáním parametrů filtrů vytvořit složitější dotaz.
Logické operátory: AND vyhledá průnik obou částí dotazu (syntax: topics:"Afghánistán" AND topics:"Ázerbájdžán" vyhledává na stránkách, kde jsou zmíněny oba asijské státy) OR sloučí obě části dotazu (topics:"Afghánistán" OR topics:"Ázerbájdžán" vyhledává na stránkách, kde je zmíněn alespoň jeden asijský stát) NOT vyloučí jednu část dotazu (topics:"Afghánistán" NOT topics:"Ázerbájdžán" vyhledává na stránkách, kde je zmíněn Afghánistán, ale není tam Ázerbájdžán)
Příklad:
topics:"Afghánistán" OR topics:"Ázerbájdžán"webType:"news" NOT webType:"forum"date:[2022-03-01T00:00:00Z TO 2022-03-31T00:00:00Z]url:/.nkp.cz./sentiment:[0 TO 1]
Výše uvedená syntax vyhledává v tematických kolekcích Afghánistán nebo Ázerbájdžán, ve zprávách, nikoliv ve fórech, na stránkách nkp.cz během druhé poloviny března. Nalezené výsledky musí mít pozitivní sentiment.
Většinu stránky zabírá tabulka sklizní, které lze použít pro vyhledání dotazu. V případě nezvolení žádné sklizně se vyhledává ve všech sklizních. Jednotlivá pole sklizní obsahují jejich názvy, údaje o velikosti, datu spuštění sklizně, o počtu WARCů (což je specializovaný kontejnerový formát určený k uložení archivních webových dat). Sklizně, ve kterých se vyhledává, se zaškrtávají v pravém horním rohu. Tato informace se v poli Dotaz nezobrazí, prohledávané sklizně jsou vidět až v druhé stránce dotazu, která se zobrazí po kliknutí na tlačítko Pokračovat.
Sklizně V názvech sklizní je obsažen i jejich stručný popis. První slovo názvu označuje typ sklizně, následuje datum zahájení sklizně a frekvence sklizní:
Typy sklizní Topics (zkratka To) - tematická sklizeň Serials (zkratka Se) - pravidelná sklizeň (kombinace výběrových sklizní s různou frekvencí sklízení) Continuous (zkratka Co) - pravidelná sklizeň s denní nebo nižší frekvencí Totals - celoplošná sklizeň domény .cz Tests (zkratka Te) - testovací sklizeň Requests (zkratka Rq) - sklizeň vyžádaná jinou institucí
Popis a frekvence sklizní V - výběrová sklizeň, T - tematická sklizeň, 1M - měsíční frekvence, 2M - dvouměsíční frekvence, 3M - čtvrtletní frekvence, 6M - šestiměsíční frekvence, 12M - roční frekvence, V-1 - jednorázová sklizeň, CZ - celoplošná sklizeň, ArchiveIt - jednorázová sklizeň nových semínek, OneShot - další přidaná jednorázová semínka (seedy, url adresy).
Podrobné informace o technických a administrativních metadatech archivních dat Webarchivu viz: Metodika pro tvorbu, uložení a zpřístupnění technických a administrativních metadat z webového archivu.
Po stisknutí tlačítka Pokračovat se uživatel dostane na druhou stránku dotazu.
Na předchozí stránce byly nastaveny filtry pro následné vyhledání analytických dotazů, které lze zadat na druhé straně dotazu. Zde se v poli Dotaz zobrazuje dotaz zvolený v předchozí části, zobrazeny jsou tu i sklizně, pokud byly zvoleny, v nichž probíhá vyhledávání. Pokud uživatel chce změnit některý z filtrů, na předchozí stránku (první část dotazu) se lze vrátit pomocí černého tlačítka Upravit.
Pod dotazem je indikátor validity (správnosti) zadaného dotazu (Dotaz je ne/validní). Je zde také informace o tom, v kolika záznamech bude vyhledáváno. Maximální počet záznamů lze nastavit na předchozí stránce - parametr Počet záznamů. Pokud je dotaz nevalidní, tak nelze ve vyhledávání pokračovat. Pokud validátor ukáže, že se zpracuje 0 záznamů, tak dotaz nic nenajde, uživatel může dotaz vymezit jiným způsobem.
V části Analytické dotazy je automaticky připraven jeden nevyplněný dotaz, přidávat lze i další dotazy a to modrým tlačítkem +Přidat další dotaz. Každý dotaz má několik parametrů. Typ dotazu má varianty Frequency, Collocation, Network a Fulltext. Následuje políčko pro hledaný text (Zadejte text pro vyhledávání). Hledaný výraz se přidává modrým tlačítkem + a po přidání je vidět v kolonce Seznam výrazů. I zde lze přidat více vyhledávaných výrazů. Celý dotaz lze odstranit červeným tlačítkem.
Fulltext: Tento analytický dotaz zobrazuje data v originální podobě (plain text). Kromě samotného textu je výsledkem exportu také URL adresa webu, titulek stránky (název stránky, obsah html tagu <title>), jazyk, rok vydání, nadpisy, odkazy na jiné stránky, témata a sentiment. V dotazu je možné nastavit počet záznamů, což je počet nalezených a exportovaných stránek.
Kromě toho je možné nastavit řazení výsledků a formát exportu.
Výsledky lze řadit chronologicky (rok), podle jazyka, nadpisu webu, url adresy a hodnoty sentimentu. Každá tato možnost má ještě dvě varianty řazení: ASC (vzestupně) a DESC (sestupně).
Formát exportu u všech dotazů nabízí dvě možnosti - JSON a CSV.
Frekvence: Frekvence zobrazí nejčastější slova na stránkách, které splňují zadané parametry - obsahují slovo nebo slova hledaná tímto dotazem. V dotazu je opět možné nastavit počet záznamů - počet nalezených a exportovaných záznamů.
Kolokace: zjišťuje slovní spojení týkající se hledaného výrazu - slovo před a za hledaným výrazem. V tomto typu dotazu lze hledat pomocí zaškrtávacího políčka Přidat kontext a nastavit počet slov kontextu, tj. další slova před a za vyhledávanými kolokacemi. Slova kontextu se ve výstupu dotazu zobrazují samostatně. Další vysvětlení kolokací: Kolokace – Wikipedie (wikipedia.org)
Příklad: Zadaný dotaz vyhledá kolokace slova „válka“ z témat Afghánistán a Ázerbájdžán ze zpráv, nikoliv z fór, a to s pozitivní konotací za využití 3 určených sklizní.
Network: Zobrazuje a počítá vzájemné hypertextové odkazy mezi doménami - tedy která stránka (zdrojový uzel) odkazuje na jinou stránku (cílový uzel). Dotaz umožňuje také seskupit uzly pouze domén, nikoliv jednotlivých stránek (url adres). Zde stačí zadat i jen část url adresy bez přípony .cz, rozhraní pak bude vyhledávat v celé url adrese. Příkladové heslo „robot“ vrátí i výsledky typu „www.nkp.cz/robotizace“
Stisknutím tlačítka Vyhledat začne vyhledávání, které je vidět níže (STAV PROCESU), po jeho ukončení je možné výsledky přímo stáhnout nebo přidat dotaz mezi oblíbené.
Tlačítko Stáhnout umožní stáhnout do počítače zazipovaný soubor .zip. Ten obsahuje soubory .json nebo .csv (pro fulltext), pro každý ze zadaných analytických dotazů jeden soubor.
Po vykonání dotazu ho lze přidat do Oblíbených a pojmenovat.
Centralizované rozhraní kromě vyhledání dotazů a jejich stažení umožňuje i správu dotazů - pomocí stránek Oblíbené a **Moje dotazy **v hlavičce napravo.
Stránka Moje dotazy zobrazí historii vyhledávaných dotazů.
Tabulka ukazuje dotazy - syntax dotazu, datum vytvoření, stav a také poskytuje možnost dataset znovu stáhnout. Kliknutí na tři tečky umožňuje další manipulaci:
Pokyn Zobrazit detail umožňuje zobrazit znovu celý dotaz: Kromě toho je možné přidat dotaz do Oblíbených (na liště vpravo), Zopakovat dotaz a také ho Stáhnout.
WARC Archivy Stáhnout lze také data v formátu WARC, kliknutím na možnost WARC Archivy je možné požádat o export.
O možnosti stažení, vzhledem k právním omezením, rozhoduje administrátor. Po schválení je ho pak možné stáhnout.
WARC vypadá takto:
WARC/1.0
WARC-Type: response
WARC-Target-URI: https://okamura.blog.idnes.cz/diskuse.aspx?iddiskuse=A130101_313625_blogidnes&vlakno=59488097
WARC-Date: 2021-02-27T02:12:15Z
WARC-IP-Address: 185.17.117.47
WARC-Record-ID: <urn:uuid:ac7ef3e6-2fe3-43ea-9beb-fc13b6c2112d>
Content-Length: 26274
WARC-Payload-Digest: sha1:VQY5C7QM6SUTZNHVXV36RZLQFHJQUGAY
WARC-Block-Digest: sha1:D7I4PEHCKUR4QEGMHI2IMWIE47U7K4QZ
Content-Type: application/http; msgtype=response
HTTP/1.0 200 OK
Oblíbené dotazy lze přidávat a odebírat pomocí hvězdičky nalevo od textu dotazu v tabulce Mých dotazů. Oblíbený dotaz je možné i označit vlastním jménem.
Na stránce Moje dotazy je také možné se vrátit a zadat nový dotaz (vpravo nahoře)
Stránka Oblíbené zobrazuje oblíbené dotazy a umožňuje s nimi manipulovat podobně jako v případě pole Moje dotazy. Oblíbené dotazy lze pro snadnější orientaci pojmenovat.
Administrace umožňuje spravovat uživatelské účty, dotazy a vkládat a odebírat sklizně.
Centralizované rozhraní umožňuje export výsledků, většinou ve formátu .json
Export fulltextu (Fulltext)
Fulltext exportuje nejrozsáhlejší informace o webové stránce - internetovou adresu, titulek stránky, jazyk stránky, samotný text, nadpisy, odkazy, rok publikace. Kromě toho export ukazuje téma stránky a sentiment.
Příklad:
"id" : "a51eb9a4-96d6-4c24-8254-f8eba6f6a9b8",
"url" : "dobry-spanek.cz/napsali-o-nas/audio/napsali-o-nas/v-noci-budite-a-nemuzete-spat-pozor-na-zavislost-na-lecich-327",
"urlDomain" : "dobry-spanek.cz",
"urlDomainTopLevel" : "dobry-spanek.cz",
"title" : "Napsali o nás - Poruchy spánku a nespavost, příčiny a léčba, poradna lékaře",
"language" : "cs",
"plainText" : "Tajemný hormon melatonin si poradí s rozhozenými spánkovými biorytmy Novinky.cz, 21. 3. 2012 Od té doby, co užívám melatonin, spím jak miminko…",
"year" : 2021,
"headlines" : [ "Napsali o nás", "ARCHIV" ],
"links" : [ "https://www.dobry-spanek.cz/home", "https://www.dobry-spanek.cz/napsali-o-nas/audio/napsali-o-nas/v-noci-budite-a-nemuzete-spat-pozor-na-zavislost-na-lecich-327#skipmenu", "https://www.dobry-spanek.cz/home", ],
"topics" : [ "zdraví" ],
"sentiment" : 0.8552388687966159
Export frekvence (Frequency):
Frekvence zobrazí url stránky a výskyt nejčastejších slov na této stránce
{ "dobry-spanek.cz/napsali-o-nas/audio/napsali-o-nas/v-noci-budite-a-nemuzete-spat-pozor-na-zavislost-na-lecich-327" : {
"spanku" : 59,
"spanek" : 52,
"muze" : 45,
"chytrazena.cz" : 34,
"noci" : 34,
"casu" : 31,
"dobre" : 22,
"nas" : 21,
"nespavosti" : 21,
"ceske" : 20
}
}
Export kolokací (Collocation):
Kolokace zobrazují slova, které se pojí s vyhledávaným slovem
Příklad
{
"baseball.cz/soutez-161/extraliga-u18/zakladni-cast" : {
"používáním" : [ "tohoto" ],
"souhlasíte" : [ "souhlasíte." ]
},
"deti-noci.cz/2012/01/filmoteka/anime/underworld-endless-war" : {
"každém" : [ "každém" ],
"načítání" : [ "načítání" ],
"používá" : [ "používá" ],
"používáním" : [ "tohoto" ],
"reklamou" : [ "reklamou" ],
"souhlasíte" : [ "souhlasíte." ],
"war" : [ "Tento" ],
"započítání" : [ "započítání" ]
},
Export sítí (Network): Soubor ve formátu .json ukazuje rok, zdrojovou a cílovou url adresu
Příklad:
"year" : 2021,
"nodes" : {
"name" : "abclinuxu.cz/zpravicky/pred-osmi-lety-navzdy-odesel-aaron-swartz",
"links" : {
"name" : "http://bugzilla.abclinuxu.cz",
"count" : 1
}, {
"name" : "http://czech-server.cz",
"count" : 1
}, {
"name" : "http://en.wikipedia.org/wiki/Image:H96566k.jpg",
"count" : 1
}, {
"name" : "http://jiri.one",
"count" : 1
},