2011.8.24                       html-2011/adatallomany-mentese.htm            C.11014

levélváltás Pócs Ádámmal

2011.8.24.

Tegnap délelőtt a Széchényi Könyvtárban, az Elektronikus Könyvtár atyjánál. Egy tea mellett beszélgettünk, hosszasan. A múlt hónapban ugyanis programot fejlesztettek, amihez hozzá kellett igazítani a honlapomat. De mi lesz harminc év múlva. Nekik ugyanez a gondjuk. Már nem mindent tudnak olvasni.
(Még azon derültünk, több honlapot nem fognak befogadni, okulva rajtam.)

Két ötletet vittem, segítenek továbbgondolni. Lebutítani a honlapot alapprogramokra. Vagy/és csinálni egy adatkonzervet. Másfél lenne giga lenne mindössze: opuszjegyzék, (kilenc táblázat, 601 ezer adat). Plusz a képek és az írások egy-egy zsákba (folder) ömlesztve. (Ami ezen túl a honlapon van, minden csak hab a krémestorta tetetjén.)
Hazafelé (szomszéd épület) a Nemzeti Galéria Adattár vezetője: táblázatokat nekik netán papíron is. (Sokezer oldal, a tintasugaras nyomtatás nem időálló.)
Hű, ezt az egész bonyolultságot sikerült végül rövidre fogalmaznom. Pedig még csak most csörög a vekker.

ölel: d

- - - - - - - - -

Nokérem.

Bele (de egyelőre nem végig-) gondolva a dolgokat, a következő állításokat igaznak tartom:

• A számítástechnika eddigi története során létrejött adatformátumok döntő hányada az azt létrehozó program hiányának megléte mellett is még ma is olvasható. Itt nem arról van szó, hogy az adattároló médium meghibásodása miatt vissza lehet-e állítani egy rögzített adatot, hanem arra, hogy maga a formátum olvasható-e. Az előbbi problémára ugyanis már léteznek viszonylag biztonságos megoldások (például elosztott adattárolás). Arra viszont eddig nemigen láttam példát, hogy valamit azért ne lehetett volna visszaolvasni, mert maga a program, ami létrehozta azt, már nem létezik. Valahogy mindig van megoldás. Még a régi ZX Spectrum 198x-ben felvett, magnókazettákon tárolt programjai is visszaolvashatóak speciális alkalmazással.
   

• Jelentősen növeli azonban a visszafejtés idejét (és egyben csökkenti a bonyolultságát), ha szöveges, és nem bináris formában tároljuk az adatokat, legalábbis azokat, amiket lehet. A bináris állományok (adatbázisok, programok, Word- és Excel-dokumentumok, PDF-ek) egyrészt általában tömörítve vannak, másrészt ha nem,
  akkor is vissza kell valahogyan kódolni őket, ami adott esetben durva munka. Ennél egyszerűbb, ha az ember tisztázza, hogy itt most ASCII-alapú adatok jönnek, ez és ez a kódlap (a kódlapok pedig sztenderdek, van hozzájuk visszafejtési tábla), ez a byte ezt a betűt jelenti, és kész. Nem hiszem, hogy harminc év múlva ne lenne olyan algoritmus, aminek ha megmondjuk, hogy melyik szám (byte, vagy byte-pár) melyik betűhöz tartozik, akkor ne lenne képes előállítani abból a szöveget.
  a JPG olyan fokon leterjedt,hogy a

• Ha megvan a szöveg, azt egy jól megírt programmal már újra a keresésre és az adatok alapján létrehozott adatbázisra alkalmassá lehet tenni. Ennélfogva – és a bináris állományok mellőzése miatt is – felesleges adatbázisban tárolni. Maga a HTML-formátum eleve tartalmazza az adatokat és a struktúrát egyaránt, ezt feldolgozni valószínűleg harminc év múlva sem lesz nehéz feladat.
   

• Mindez nem igaz természetesen a képekre. Azoknak mindenképp bináris állományoknak kell maradniuk. Hogy milyen formátumban, hát, őszintén szólva szerintem a JPG egy ideíg még meghatározó állománytípus lesz, és a múltját tekintve tett akkora elismertségre szert (és tárolnak annyian e formátumban képeket a világon) pár évtizeddel később a tiéd ne egyedi probléma legyen, vagyis valószínűleg lesz konverter, ami az akkor népszerű/megfelelő képformátumra alakít majd JPG-t.

Mindent összevetve: HTML az adatokra és JPG a képekre, ez a javaslatom.

Á.

- - - - -
továbbá:

A táblázatról:

• Nem azt mondtam, hogy ne nyúlj bele, hanem azt, hogy amit meg akarsz őrizni, azt mentsd el szöveges formátumban is. (Az Excel XLS-fájltípusa bináris állomány, a HTML viszont szöveges formátum.) Ez azt jelenti, hogy nyugodtan módosítgass bármit az Excelben, csak mondjuk minden héten egyszer mentsd el szöveges formátumban is őket. De a változtatásokat ne a szövegesben végezd el, hanem az eredeti Excel fájlban, és utána mentsd el azt szövegesként.

• Most jutott eszembe, hogy a HTML-formátumnál még jobb, ha XML-formátumban mented el. Ez a Mentés másként... menüpontból az Excel 2004 XML (valami) néven jelenik meg.

• Ezeket az elmentett HTML vagy XML fájlokat aztán már nem kell megnyitni, ezek archiválási célra készülnek.

- - -  -
 

Ja, ha te már 2007-es Office-t használsz, az más. :)
Az XLSX-formátumról annyit érdemes tudni, hogy az egy zömörített (ZIP) állomány, ennélfogva bináris, melyben viszont már valóban szöveges, jórészt XML fájlok vannak. Tekintve azonban, hogy a ZIP igen elterjedt és nagy múltra visszatekintő formátum, nem valószínű, hogy a következő 10-20 évben ne támogatná valami. Így szerintem maradhat ebben.