Extrahierung bibliographischer Daten aus dem Internet

Im Projekt FIS-I, das vom Bundesministerium für Bildung und Forschung (BMBF) gefördert wird, soll der Zugriff auf Informatik-Literatur zentralisiert werden. Die Projektpartner Universtät Karlsruhe (Collection of Computer Science Bibliographies) und TU München(LEABiB) stellen hierfür die bibliographischen Daten bereit. In diesem Beitrag werden die praktischen Erfahrungen vorgestellt, die bei der Erfassung und Bearbeitung von bibliographischen Daten gesammelt wurden. Erstens wird betont, dass die genaue Einhaltung von Standards (u. a. OAI-PMH) wesentliche Grundlage für die Interoperabilität ist. Dadurch kann die Datenqualität erhöht und überflüssige und fehlerträchtige Anpassungsarbeit erspart werden. Zweitens werden die Probleme bei der Datenerfassung mittels Wrapper aufgezeigt. 1 Open Archives Initiative Die Open Archives Initiative3, die um die Jahreswende 1999/2000 gegründet wurde, beschäftigt sich mit der Verbreitung und Vernetzung von Dateien über vorhandene Zeitschriften und Vordrucke (eprints). Es wurde ein Protokoll [OAI03] (Open Archives Initiative Protocol for Metadata Harvesting (OAI-PMH)) entworfen und implementiert, welches die einfache Sammlung von Metadaten ermöglicht. Die Collection of Computer Science Bibliographies [Ac04] als Dienstleistungsanbieter (und Datenanbieter für das io-port.net Projekt) integriert unter anderem die Daten, die durch OAI-PMH zur Verfügung stehen, in den internen, durchsuchbaren Datenbestand. Trotz des möglichst genau spezifizierten Protokolls (OAI-PMH) und bekannten Datenaustauschformats (Dublin Core (DC) [DCMI]) gibt es in der Praxis viele im weiteren Text beschriebene Probleme, die nicht immer einfach und sauber gelöst werden können. 1http://liinwww.ira.uka.de/bibliography 2http://wwwmayr.in.tum.de/leabib 3http://www.openarchives.org