Das WACZ (Web Archive Collection Zipped) Format ist im Wesentlichen ein ZIP-Archiv, das WARC-Dateien enthält. Dabei werden zusätzliche Informationen über die Ursprungs-Webseite und Metadaten (JSON) zu den archivierten Inhalten eingebunden, was es Archivaren ermöglicht, die historische Bedeutung der Inhalte besser nachzuvollziehen und zu analysieren.
Ein WACZ-Archiv kann eine vollständige Sammlung von Webseiten beinhalten, einschließlich HTML-Dateien, Bilder, Skripte und andere Ressourcen wie CSS- oder JavaScript-Dateien, die für die vollständige Darstellung der Seite notwendig sind. Diese Archive können durch verschiedene Software-Tools wie das "Webrecorder"-Projekt oder "Heritrix" erstellt werden, die in der digitalen Archivierung weit verbreitet sind.
WACZ ist eine erweiterte Form des "WARC"-Formats (Web ARChive), welches das Standardformat für die Archivierung von Webseiten ist. Während WARC eine Sammlung von Webseiten und deren Ressourcen speichert, stellt WACZ eine gezippte und optimierte Version dieses Formats dar. Das Ziel von WACZ ist es, die Archive so zu verpacken, dass sie Speicherplatz effizient nutzen, gleichzeitig aber alle relevanten Web-Inhalte erhalten, die zum korrekten Funktionsumfang der Seite erforderlich sind.
datapackage.json: übergeordnete Metadaten-Datei mit folgenden Inhalt
profile: data-package
resources: eine Liste mit Dateinamen, Pfaden, Dateigrössen und Fixity für alle im WACZ enthaltenen Dateien
wacz_version: die verwendete Version von WACZ, zum Beispiel 1.1.1
datapackage-digest.json: empfohlen um die datapackage.json Datei mit einem Hash und damit den gesamten Inhalt des WACZ überprüfen zu können
/archive: enthält WARC-Dateien und damit die eigentlichen Webarchive
/indexes: enthält CDX-Dateien und damit den Index der in den Archiven enthaltenen URL
/pages: enthält eine Datei pages.jsonl, mit einer Liste der URLs und Zeitstempel sowie optional zusätzliche Metadaten und Volltexte der archivierten Ressource z.B. {"id": "1db0ef709a", "url": "https://www.example.com/page", "size": 1256, "ts": "2020-10-07T21:22:36Z", "title": "Example Domain", "text": "Example Domain This domain is for use in illustrative examples in documents. You may use this domain in literature without prior coordination or asking for permission. More information..."}
Bewertung
Offenheit4
Das Format wird durch das Webrecorder Project entwickelt und publiziert. Das zugrundeliegende WARC-Format wurde als ISO-Standard 28500:2017 standardisiert.
Lizenzfreiheit4
Es existieren, soweit bekannt, keine Patente zu WACZ.
Verbreitung2
Die Version 1.0 von WACZ wurde 2021 entwickelt. Das Format wird in den Archiven bereits eingesetzt. Stand 2025 wird die Verbreitung auf 2 eingestuft, wobei ein starkes Wachstum in den nächsten Jahren erwartet wird.
Funktionalitaet4
Das Format soll es ermöglichen, WARC-Dateien nach Inhalten und Schlagworten zu durchsuchen, ohne die WARC-Datei für die Suche zu laden. Dies wird mittels Metadaten zu den WARC-Dateien im WACZ-File ermöglicht.
Implementierung4
Verschiedene (open Source) Tools haben WACZ implementiert unter anderem py-wacz, browsertrix, replayweb.page, archiveweb.page, Wayback Machine sowie scoop... Das Tool "Replay Web.Page" von "Webrecorder" ermöglicht WACZ-Dateien zu durchsuchen https://replayweb.page/.
Speicherdichte3
Die Speicherdichte von WACZ ist bei der Verwendung einer Komprimierung (Deflate) bei den einzelnen Dateien relativ hoch. WACZ selbst ist eine ZIP-Datei ohne Kompression (Store).
Verifizierbarkeit3
Mit dem WACZ Format Tool https://pypi.org/project/wacz/ können WACZ validiert werden.
Best Practice2
WARC wird 2025 in einzelnen Archiven verwendet und auf 2 eingestuft, wobei ein starkes Wachstum in den nächsten Jahren erwartet wird.
Perspektive3
Durch das Zusammenfassen mehrerer WARC-Dateien in einem ZIP mit zusätzlichen Metadaten und einer vordefinierten Struktur, behebt WACZ eine zentrale Schwäche von WARC. Es wird erwartet, dass zukünftig neu zu erstellende WARC als WACZ zusammengefasst werden. Die langfristige Perspektive hängt von der Zukunft von WARC ab. Probleme der Erhaltung von Inhalten (diverse Formate und Skripte) der Webarchivierung bleiben gleich wie bei WARC.
Formatklasse P
Das Format wird bereits in einzelnen Archiven eingesetzt, jedoch 2026 noch nicht flächendeckend.
Fazit
Durch das Zusammenfassen mehrerer etablierten WARC-Dateien in einem ZIP mit zusätzlichen Metadaten und einer vordefinierten Struktur, behebt WACZ eine zentrale Schwäche von WARC. Dadurch ist WACZ nicht per se ein neues Format, welches sich noch etablieren muss. Das heisst, dass WACZ bereits jetzt empfohlen wird und seine Entwicklung nicht abgewartet werden muss. Es wird erwartet, dass zukünftig neu zu erstellende WARC direkt als WACZ zusammengefasst werden.