1Intégrer le site Internet d’une organisation dans la collecte de la mémoire d’entreprise est aujourd’hui une réalité. D’une part, le cadre réglementaire évolue en France mais aussi en Europe, et incite les organisations à mettre en œuvre le dépôt de leurs publications électroniques. La très polémique loi concernant les droits d’auteurs et droits voisins dans la société de l’information doit étendre le périmètre du dépôt légal aux sites web. En d’autres termes, chaque organisation sera dans l’obligation légale de déposer son site auprès des institutions compétentes (BNF ou Ina).

2D’autre part, le site web est aujourd’hui au cœur de la stratégie d’information et de communication des organisations et s’inscrit totalement dans le système d’information devenant ainsi un candidat privilégié pour la conservation patrimoniale.

3Cette communication s’inscrit dans la problématique vaste de l’intégration du système d’information dans la conservation du patrimoine numérique des entreprises. Il propose de revenir sur les enjeux patrimoniaux de la mémoire des entreprises et sur l’extension de cette notion de patrimoine au système d’information en général et aux sites web en particulier. Cette communication est construite sur l’analyse comparée de deux initiatives française et wallonne.

Enjeux de l’archivage du web pour les organisations

4Face à la multiplicité des vecteurs de communication, les organisations sont aujourd’hui dans une situation délicate qui rend complexe la sauvegarde de leur mémoire. L’importance toujours croissante des contenus publiés sur leur site web pousse les organisations à envisager d’inclure ce support de publication dans la collecte et la conservation de leurs archives patrimoniales. Plusieurs organisations à travers le monde ont entrepris cette démarche. En France, la plus emblématique d’entre elles est sans doute celle des services du Premier Ministre qui ont mis en œuvre l’archivage du site www.premierministre.gouv.fr dès 1999. Au niveau Européen, le Gouvernement Wallon a entrepris une démarche encore plus audacieuse. Il souhaite conserver le site de chaque ministre au moment des changements de mandats. En Wallonie, le problème est crucial puisque les adresses des sites web sont liées aux noms des ministres et non à celui des ministères. Ils disparaissent donc à chaque nouvelle élection laissant le citoyen sans repères et le contraignant à connaître toujours le nom du ministre nommé. Si ces démarches française et belge sont exemplaires dans leur initiative et leur méthodologie, elles sont d’autant plus instructives qu’elles pourraient inspirer de nombreuses organisations privées ou publiques en France.

5Pour autant, les démarches publiques et privées diffèrent en matière d’objectif et de stratégie. Les organismes publics ont pratiquement tous des visées patrimoniales en ce qui concerne les publications électroniques. Cette volonté de constituer un corpus exhaustif ou représentatif de la production intellectuelle en ligne pour les générations futures est le principal moteur des projets dans les organisations publiques. C’est le cas des services du Premier Ministre ou de la Wallonie. Conjointement, ces institutions entendent apporter une pierre à l’édifice de la défense des droits d’auteurs sur le web. Cette défense ne s’organise pas autour du contrôle des éléments collectés mais grâce à la datation des publications. Cet horodatage permet, en cas de litige, de créer un précédent pour une publication, ou plus simplement d’éviter, comme cela a déjà été le cas, des procès en diffamation concernant d’anciennes publications toujours accessibles en ligne.

6En ce qui concerne les entreprises, la question de l’archivage des pages et des sites web se pose différemment. D’une part, l’entreprise doit être en mesure de déposer auprès des institutions concernées ses publications. Cette démarche, simple techniquement, requiert la mise en application d’une méthodologie adaptée. Mais l’entreprise peut avoir elle-même ses propres objectifs patrimoniaux. Dans ce cadre, inclure les pages web dans les archives patrimoniales de l’entreprise est aujourd’hui une réalité qui, si elle encore peu répandue, devrait devenir fréquente dans de nombreux grands groupes dont le fonctionnement est proche de celui des institutions publiques.

7Enfin, une des applications marginale de l’archivage du web est celle de l’archivage des transactions en ligne. Chaque transaction, commerciale ou non, peut ou doit être conservée comme un document à valeur probante. Ainsi, la collecte et l’archivage des pages web dans cette situation deviennent une action de records management dans l’entreprise. Certaines banques testent actuellement des techniques qui consistent à « filmer » la navigation d’un internaute et à conserver de manière intègre cet enregistrement comme une trace du passage et des actions sur le site d’un client internaute.

8Quel que soit l’objectif que se fixe l’organisation, les approches varient et le choix de l’une ou l’autre est une conséquence directe de la stratégie d’archivage prévue.

DE LA STRATÉGIE À LA TACTIQUE : QUELLE APPROCHE CHOISIR

9Répondre à cette question revient à statuer sur ce que l’on souhaite archiver. Aujourd’hui existent deux approches majeures. La première, l’approche exhaustive, a pour objectif d’archiver l’intégralité des documents en ligne. L’argument majeur en faveur de cette stratégie est de ne pas spéculer sur l’intérêt historique d’un document a priori. L’histoire décidera de ce qui est intéressant ou non. L’approche exhaustive place donc au même niveau patrimonial les horaires de la SNCF, un site pornographique ou encore le site du Premier ministre. C’est donc l’ensemble d’un corpus qu’il est intéressant de considérer comme le reflet de la société à un moment donné et non chaque document ou groupe de documents indépendamment. À l’échelle d’une organisation, cette approche revient à tout collecter, toutes les versions, toutes les pages, et même les simples mises à jour de contenu. La deuxième approche est sélective. Elle propose de collecter les informations qui semblent importantes. L’avantage est qu’elle élimine une grande partie du bruit. En revanche, elle est très onéreuse. De plus elle implique un classement qualitatif des documents selon des critères actuels imaginés pour les générations futures.

COLLECTE MANUELLE, AUTOMATISÉE OU SEMI-AUTOMATISÉE

10La manière classique pour collecter les documents en ligne est le « harvesting » qui utilise un robot cherchant les documents sur le web et les rapatriant sous forme de copies. Une autre méthode consiste à laisser la responsabilité à l’éditeur de livrer une copie de ses documents sur support ou en ligne.

11La plupart des projets utilisant l’approche exhaustive collectent les documents par harvesting du fait de la simplicité et de la praticité de cette méthode. Toutefois, pour les sites nécessitant un mot de passe, la participation de l’éditeur est obligatoire.

12La courte durée de vie des publications électroniques fait partie de leur spécificité par rapport aux documents papier. En effet, la durée de vie moyenne d’une page web est de 75 jours1. C’est ce paramètre qui doit être pris en compte lorsque l’on doit choisir entre la méthode de l’instantané (snapshot) du web ou la méthode de collecte continue.

13Dans le cas d’une collecte continue, le problème qui se pose alors n’est pas réellement d’ordre technique, mais d’ordre ergonomique. L’archive prendrait la forme d’une vis dans laquelle il serait bien compliqué de naviguer dans le temps et « l’espace ». Ainsi la plupart des chercheurs qui travaillent sur le sujet ont choisi d’archiver le web par strates. Chaque strate représente une image du web à un instant « t » (un snapshot). On navigue à l’intérieur d’une époque comme sur le web actuel et on rajoute une fonctionnalité au navigateur pour passer d’une strate à l’autre. L’idée serait de collecter le maximum de publications et de versions successives. Pour cela, il est nécessaire d’avoir un robot harvester qui archive l’information en fonction de la fréquence de renouvellement sur chaque URL.

14L’instantané (snapshot) consiste à prendre un nombre variable d’images du site web et les considérer comme représentatives du site à une époque donnée. C’est une manière attirante de sélectionner automatiquement les contenus et de réduire considérablement la taille des archives. Le problème majeur est que l’on passe à côté de publications qui ont une très courte durée de vie comme les brèves, les forums et d’une manière générale tous les contenus chauds. Cela implique que l’on donne un traitement spécial à certaines publications ce qui augmente considérablement le coût et l’effectif des équipes d’archivistes.

15Une autre méthode est à étudier pour sa facilité de mise en place. La méthode d’échantillonnage. Elle permet de répondre à certains besoins de préservation patrimoniale mais n’est en aucun cas suffisante pour la mise en place d’un dépôt légal.

16Cette méthode consiste à pêcher aléatoire sur la toile des sites web à intervalle régulier. Très souvent utilisée en traitement du signal (notamment dans la numérisation d’un signal analogique) elle a fait ses preuves et on montre qu’avec une bonne fréquence d’échantillonnage il est possible de restituer convenablement l’original. En d’autre terme il serait possible de donner une idée du web ou d’une partie du web d’une époque donnée en ayant archivé un certain nombre d’échantillons dits représentatifs.

17Si cette dernière méthode n’intéresse pas les entreprises françaises qui souhaitent conserver leur site, c’est tout de même celle qui a été retenue par la BNF et l’INA pour la collecte au niveau national. Cela étant, les entreprises françaises vont devoir se pencher rapidement sur ces questions car l’évolution du cadre législatif les y contraint.

LE CONTEXTE RÉGLEMENTAIRE FRANÇAIS

18Votée début juin, la nouvelle loi sur les droits d’auteur et les droits voisins dans la société de l’information met en œuvre dans son article IV l’extension du dépôt légal aux publications électroniques distantes, c’est à dire au web français. « IV. - En application des articles 1^er et 5 de la loi n° 92-546 du 20 juin 1992 modifiée relative au dépôt légal et dans les conditions fixées par décret en Conseil d’État, l’institut est seul responsable de la collecte, au titre du dépôt légal, des documents sonores et audiovisuels radiodiffusés ou télédiffusés ; il participe avec la Bibliothèque nationale de France à la collecte, au titre du dépôt légal, des signes, signaux, écrits, images, sons ou messages de toute nature faisant l’objet d’une communication publique en ligne. L’institut gère le dépôt légal dont il a la charge conformément aux objectifs et dans les conditions définis à l’article 2 de la même loi. » L’INA (Institut national de l’audiovisuel) et la BNF (Bibliothèque nationale de France) sont chargés de repérer, collecter, indexer, archiver et mettre à disposition l’ensemble du web français. Cette entreprise herculéenne recèle des difficultés inattendues qui résident essentiellement dans la quasi-impossibilité, dans l’état actuel de la recherche, de connaître, dans son intégralité, le corpus à collecter, indexer et archiver. La responsabilité du dépôt va donc incomber aux organisations publiques et privées de livrer tout ou partie de leur production numérique en ligne. Dans ce contexte, les précurseurs peuvent servir d’exemple même si chaque projet aura sans aucun doute ses propres spécificités.

PRÉSENTATION DES PROJETS WWW.PREMIER-MINISTRE.GOUV.FR ET ARCHIVESWEB.WALLONIE.BE

L’exemple du site du Premier Ministre

19Conformément à la demande des Archives Nationales, le site du Premier Ministre, comme tous les autres sites gouvernementaux, en .gouv, est livré régulièrement sur support physique (en l’occurrence le disque compact).

20Cependant, conscient de l’aspect nécessaire mais insuffisant de cette démarche, le responsable du site, Monsieur Benoît Thieulin a entrepris d’archiver les différentes versions de ce site et de les proposer au public.

Des données existantes :

21La prévoyance de ses prédécesseurs qui n’avaient pas détruit les versions antérieures du site a permis d’accéder aux données sauvegardées.

22En revanche, la multiplicité des techniques employées sur ces sites a rendu la tâche plus ardue. Le souci de Benoît Thieulin était d’une part de conserver le patrimoine que représentent ces sites mais aussi de le restituer au public.

Fréquence d’archivage :

23Le site n’est pas archivé de manière régulière. La notion de version intéresse Benoît Thieulin, c’est-à-dire qu’il s’efforce de conserver une image exacte de la version d’un site avant évolution vers une autre formule ou un autre gouvernement. Il fonctionne avec la méthode de l’instantané (Snapshot).

Uniformisation des technologies :

24Les premiers sites du gouvernement sont des sites statiques, n’utilisant que des technologies normées comme le HTML et les formats d’images Gif ou Jpeg.

25Puis, pour des questions pratiques, les sites sont devenus dynamiques : pour créer les pages, il est nécessaire de faire appel à différents éléments dans une ou plusieurs bases de données. Dans le cas du site du Premier Ministre, la technologie propriétaire Cold Fusion avait été choisie. À ce sujet, Benoît Thieulin regrette d’ailleurs que les logiciels libres et ouverts n’aient pas été plus populaires à cette époque car, dit-il, s’il devait refaire un choix, ce serait vers ces solutions qu’il s’orienterait.

26Pour l’accès aux archives, il fallait uniformiser les technologies. Le site a été standardisé. En effet, il a été demandé à un prestataire de convertir les sites dynamiques en sites statiques renforçant encore l’image de photographie instantanée. Conscient de l’aspect perfectible de ce choix, Benoît Thieulin a préféré, à l’époque, et en l’absence de recommandation sur le sujet, aller vers les technologies standardisées et, par conséquent pérennes.

Navigation par strates et URL déclinable

27À l’adresse http ://www.archives.premier-ministre.gouv.fr,

28L’étude des projets précurseurs a permis d’évaluer les différentes approches d’archivage. Il est possible de proposer une approche tenant compte des enseignements de ces projets avant-gardistes.

L’exemple du site archivesweb.wallonie.be

29En Région wallonne, les noms de domaine des sites des ministres utilisent souvent le nom du ministre (ex. vancau.wallonie.be). En conséquence, dès le renouvellement des ministres, le site disparaît. De plus en plus, ces sites présentent la politique des ministres, les discours qu’ils ont prononcés sans qu’il soit certain qu’une version sur un autre support (papier, vidéo, radio) demeure quelque part dans les archives de la Région Wallone.

30Si cette tendance s’amplifie, les historiens de demain mais aussi simplement les citoyens qui souhaitent se tenir au courant de l’histoire de leur Région risquent de ne plus trouver aucune information sur tout un pan de l’histoire régionale.

31Wall-On-Line, équipe chargée de la politique d’e-gouvernement de la Région wallonne et notamment de la coordination de la présence de la Région sur Internet s’est donc chargée d’identifier les actions à mener et de mettre sur pied une politique d’archivage des sites Web.

Collecte manuelle par snapshot

32La région Wallone a choisi de prendre contact avec les webmasters des sites publics pour qu’ils livrent eux-mêmes les fichiers sources au moment des élections. Cette méthode, relativement efficace ne saurait perdurer sans un pré-tri semi-automatisé. Ainsi, la région souhaitant à court terme se diriger vers une collecte exhaustive, se propose de mettre en place une cellule de veille qui, en se basant sur une période d’observation, déterminera les fréquence d’archivage à adopter pour chaque site. Les sites les plus vivants seront donc collectés plus souvent qu’à chaque élection.

Stockage, archivage et diffusion

33Les fichiers ainsi collectés sont stockés tels quels sur un support Worm qui sera conservé indépendamment. Parallèlement, les fichiers sont migrés vers un format pivot (ici du XML) pour garantir l’accès et la préservation à long terme. Cette migration peut dégrader certains éléments des sites (les animations flash par exemple) mais demeure la plus sûre. Les fichiers migrés sont stockés sur un autre serveur. Enfin, ces fichiers au format pivot sont transformés dans le format de diffusion le mieux adapté à l’époque (aujourd’hui du HTML et du PDF). Ce format de diffusion contrairement au format initial et au format pivot, va être amené à changer au fur et à mesure que les outils de lectures vont évoluer.

Analyse comparée des sites archives.premier-ministre.gouv.fr et archivesweb.wallonie.be

34C’est sur les quatre phases classiques de l’archivage des sites web qu’il est possible de comparer les projets premier-ministre.gouv.fr et archivesweb.wallonie.be. Sélection, collecte, conservation et diffusion.

PERSPECTIVES POUR LA MÉMOIRE NUMÉRIQUE DES ORGANISATIONS

35Ce que nous montrent les projets du service du Premier Ministre et de la Région Wallone est particulièrement instructif et peut servir de base de réflexion pour les organisations françaises. Premièrement, parmi les plus grandes difficultés de l’archivage des sites Web, demeure la préservation à long terme des publications électroniques dont le format ne répond pas à une norme. Si la préservation à long terme semble pouvoir se résoudre grâce aux possibilités de migration du HTML en XML pour en faire un format pivot, ainsi que par la très récente normalisation du PDF/A dont les prochaines versions devraient inclure le multimédia. Tant que les fichiers s’appuieront sur des normes, leur pérennité à très long terme est assurée.

36Mais le véritable enjeu, se situe bien dans l’encodage à la source des pages. L’usage massif du XML ou de ses dérivés (RDF par exemple pour les fils RSS) représente une solution fiable et durable même si elle n’est pas maîtrisable. L’espoir vient du fait que le XML se développe considérablement et que des schémas métiers émergent. Force est de constater que la sphère publique est moteur dans ce secteur et tire vers le haut tout l’Internet français. Cet engouement vers un langage structuré et normé apporterait enfin une issue au problème de la nationalité des publications. Ainsi, toute organisation qui aurait aujourd’hui l’objectif ou l’obligation de penser sa mémoire à travers l’archivage de ses publications en ligne devrait penser dans un premier temps aux méthodes de création de ces publications. Ainsi, les organisations doivent imposer à leur prestataires techniques internes ou externes la mise en œuvre de codes sources standardisés (recommandation du W3C par exemple) ou normalisés (SGML, XML etc.). La compatibilité avec l’ensemble des navigateurs et des plates-formes est un gage de cette qualité de code. De plus, à chaque fois que cela est possible, il est vivement recommandé de catégoriser les contenus en XML et de se placer dans un schéma existant.

37Seul le respect de ces règles de production en amont permettra la collecte et la préservation à long terme de la mémoire numérique des organisations.