Der Harvester kann genutzt werden, um automatisiert Daten aus externen Repositorien zu importieren.
Um auf den Harvester zugreifen zu können, muss der Nutzer über das Recht Harvester Repositories bearbeiten verfügen. Dann steht innerhalb des Menüpunkts Administration der Punkt Harvester zur Verfügung. Dort öffnet sich dann die Maske für die Auflistung aller konfigurierten Repositorien.
Die Funktion ein neues Repository hinzufügen öffnet die Bearbeitungsmaske zum Anlegen eines neuen Repositorium.
Als erstes muss ein Name angegeben werden und der Protokolltyp ausgewählt werden. Dabei stehen OAI-PMH, Internet Archive Websuche, Internet Archive CLI und die BACH API zur Verfügung.
Bei BACH müssen die URL zum BACH-Server und der Authentifizierungstoken angegeben werden.
Wird die Internet Archive Websuche gewählt, muss die URL zum Interface zur erweiterten Suche angegeben werden. Um nur bestimmte Werke zu importieren, muss auch ein Suchfilter als Teil der URL angegeben werden. Auf diese Weise können nur Werke importiert werden, die als Open Access markiert sind und veröffentlicht wurden.
Um auch zugriffsgeschützte Werke zu importieren, muss das Internet Archive CLI genutzt werden. Hierzu muss das CLI installiert worden sein, üblicherweise unter dem Pfad /usr/local/bin/ia. Daneben müssen die Environment Variablen IA_USERNAME und IA_PASSWORD gesetzt sein. Auch hier kann ein Suchfilter angegeben werden, um das Trefferset einzugrenzen.
Bei OAI-PMH muss die URL zum OAI Server angegeben werden. Wenn die URL die Parameter set und format enthält, werden diese Informationen zusammen mit der Basis URL automatisch ermittelt. Ansonsten müssen sie von Hand angegeben werden.
Bei OAI können außerdem noch die Angaben From und Until gesetzt werden, um die Abfrage auf einen bestimmten Zeitraum zu begrenzen. Wenn die Felder leer sind, wird automatisch der gesammte Zeitraum seit der letzten Abfrage abgefragt.
Zusätzlich kann der Testmodus aktiviert werden. Dann werden nur die ersten Datensätze des Treffersets importiert, ohne das der resumptionToken ausgewertet wird.
Die weiteren Einstellungen gelten dann für alle Typen.
Die Abfragefrequenz definiert, in welchen Abständen das Repository abgefragt werden soll. Die Angabe ist in Stunden.
Delay definiert einen Zeitraum, bis zu dem neue Daten abgefragt werden sollen. Wenn hier eine Zahl größer 0 steht, wird bei einer Suche nicht nach allen Daten bis zum aktuellen Datum gesucht, sondern nach Daten, die bis zur konfigurierten Anzahl an Tagen vor dem aktuellen Zeitpunkt veröffentlich wurden.
Im Feld Downloadordner wird festgelegt, in welchen Ordner die Daten heruntergeladen und gespeichert werden sollen. Der Ordner wird automatisch beim ersten Harvesting erzeugt, wenn er noch nicht existiert.
Optional kann anschließend ein Skript aufgerufen werden, das auf jede heruntergeladene Datei ausgeführt wird. Damit kann zum Beispiel eine XSL Transformation jede XML Datei durchgeführt werden oder zusätzliche Informationen in alle JSON Dateien eingetragen werden.
Wenn die Daten nicht nur heruntergeladen, sondern auch als Goobi-Vorgänge import werden sollen, muss die Checkbox für Vorgänge anlegen aktiviert werden.
Anschließend kann das zu verwendende Projekt, die Produktionsvorlage und das Format festgelegt werden.
Um das Harvesting von Hand zu starten, kann in der Übersicht der in der Spalte Aktionen der Button Jetzt einmal ausführen genutzt werden. Wenn das Projekt aktiv ist, wird das Harvesting dann einmalig gestartet.
Das automatische Harvesting findet regelmäßig statt. Hierzu muss definiert werden, zu welchem Zeitpunkt es laufen soll. Das passsiert in der Datei goobi_config.properties durch die Zeile harvesterJob=0 0 */1 * * ?. Hierdurch findet die Prüfung stündlich zur vollen Stunde statt. Die Konfiguration erfolgt in chron-Syntax und lässt auch beliebige andere Zeiträume zu.
Wenn die Prüfung durchgeführt wird, wird für jedes konfgurierte, aktive Repository geprüft, ob der letzte Durchlauf länger her ist, als der im Feld Abfragefrequenz konfigurierte Wert. Wenn dies der Fall ist, wird das Harvesting gestartet.
Wenn ein neues Harvesting angestoßen wird, dann werden als erstes die Datensätze ermittelt, die seit dem letzten Durchlauf im Repositorium veröffentlicht oder aktualisiert wurden. Für jeden Datensatz wird geprüft, ob dieser bereits einmal verarbeitet wurde oder neu ist. Neue Dateien werden dann in den konfigurierten Ordner herunter geladen. Falls ein Skript konfiguriert wurde, wird es für jede heruntergeladene Datei aufgerufen.
Sofern konfiguriert, werden die Dateien nun importiert. Im Fall von marc-xml oder pica-xml wird dabei als erstes der Dokumententyp ermittelt. Übergeordneten Daten wie Zeitschriftentitel oder Mehrbändigen Werken werden übersprungen. Bei untergeordneten Dokumenten (Zeitschriftenausgaben, Bände eines Mehrbändigen Werkes) wird das übergeordnete Werk gesucht und ebenfalls heruntergeladen. Die Metadaten werden dann auf Basis des Regelsatzes aus der konfigurierten Produktionsvorlage geparsed.
Der Vorgangstitel wird auf Basis des Identifiers gebildet.
