brasiliano/MANIFEST.md

MANIFEST — Brasiliana Fotográfica → S3

Versão final, 2026-09-30. Coleta concluída em 2026-09-13. Números conferidos contra o ledger de envio (pipeline/subidor.sqlite) e a listagem do bucket. Detalhe técnico em tasks/PLANO.md e README.md.

O que é

Cópia de preservação do acervo da Brasiliana Fotográfica (brasilianafotografica.bn.gov.br), um repositório DSpace mantido pela Biblioteca Nacional do Brasil reunindo fotografias de 15 instituições (14 brasileiras e uma alemã) (handles 20.500.12156.1/*). Depositada em s3://brasiliana como acervo arquivístico — procedência e checksums preservados por item, não uma cópia solta de imagens.

Inclui também os posts editoriais do blog WordPress do mesmo projeto (raiz do domínio, separado do repositório DSpace) — ensaios curatoriais que contextualizam itens do acervo, com autoria e data preservadas.

Por que foi coletado assim

A Biblioteca Nacional foi consultada: o material é público, mas a instituição não tem equipe técnica para fornecer um dump. A coleta por scraping foi o caminho combinado, com ritmo cortês e identificação do coletor mantidos ao longo de toda a coleta.

Como foi coletado

Metadados (13.060 itens): enumerados via browse?type=title por comunidade (o sitemap oficial está desatualizado desde 2019 e cobre só 41% do acervo), colhidos um a um do DSpace (?show=full), executado a partir de um navegador real — o site usa uma proteção anti-automação que bloqueia requisições de servidores e navegadores sem sessão real, mesmo pra bitstreams de imagem, não só páginas HTML.

Imagens: cada item pode ter mais de uma imagem original (achado desta coleta — 121 itens tinham de 2 a 8 bitstreams reais, não um). Pra cada item coletamos: a imagem de preservação (a de maior resolução), a(s) imagem(ns) adicional(is) quando existem, e a miniatura gerada pelo próprio DSpace. Uma cópia legada de menor resolução (objdigital.bn.br) também foi preservada quando disponível — é a mesma proveniência, resolução inferior, mantida por referência histórica, nunca como substituta da imagem de preservação.

Posts do blog: 636 posts únicos coletados (637 identificados, 1 com erro na origem; 8 categorias do WordPress, com sobreposição substancial entre elas), com título, autor, data, categorias e corpo do texto, mais a lista de handles do acervo que cada post referencia.

Estrutura no bucket

s3://brasiliana/
  MANIFEST.md                          este arquivo
  INDEX.md                             índice legível dos itens
  catalogo.jsonl                       metadados completos, 1 linha por item
  wordpress-posts.jsonl                posts do blog, 1 linha por post
  wordpress/                           um Markdown por post
  falhas-500-2026-09-13.txt            itens cuja preservação a origem não serve
  descricao/                           descrição arquivística NOBRADE (ver abaixo)
  itens/{handle-com-underscore}/
      metadata.json                    Dublin Core completo + URL de origem
                                        + data/hora UTC de captura
      manifest-sha256.txt              SHA-256 de cada arquivo do item
      preservacao/
          {nome-do-arquivo}.jpg        imagem de maior resolução
          extra_seqN.jpg               imagens adicionais (itens com
                                        múltiplos bitstreams — ver achado
                                        2.7 do PLANO.md)
      thumbnail/
          thumb_N.jpg                  miniatura gerada pelo DSpace
      legado/
          {nome-original}.jpg          cópia de objdigital.bn.br, quando
                                        existe (menor resolução, mesma
                                        proveniência)
  derivados/thumb256/
      {handle-com-underscore}.webp     miniatura DERIVADA por nós (não é
                                        material de origem — ver abaixo)
  derivados/medio/
      {handle-com-underscore}.webp     imagem média (~1000 px) DERIVADA, usada
                                        no cartão do mural

Sobre derivados/

Tudo sob itens/ é material de origem: veio da Biblioteca Nacional como está. derivados/ é o oposto — foi gerado por nós a partir do que está em itens/, e pode ser reconstruído do zero a qualquer momento. A separação é proposital: misturar derivado nosso com bitstream de origem apagaria a procedência que o resto deste manifesto garante.

derivados/thumb256/ tem 13.059 miniaturas (256px no maior lado, WebP q80, ~100 MB no total), uma por item, geradas com libvips a partir da imagem de preservação quando ela existe e, nos 69 itens sem ela, do thumbnail/ do próprio DSpace. A especificação de saída é a mesma nos dois casos, então o conjunto é uniforme.

Cobre 13.059 dos 13.060 handles do catálogo (99,99%). O único ausente é 7523, cujos bitstreams a origem serve com HTTP 500. derivados/medio/ tem a mesma cobertura (13.059).

Contagem de itens: o catalogo.jsonl final tem 13.060 handles distintos, todos itens reais. O falso-positivo 20.500.12156.1/1 (página raiz da comunidade) não está nele. A cifra de 13.058 de rascunhos anteriores está superada.

Note que itens/{handle}/thumbnail/ não é uma miniatura no sentido usual: os arquivos que o DSpace chama de thumbnail têm 721 a 3.709 px no maior lado (média ~1.087). São derivados de resolução média, não miniaturas de listagem.

Não-negociáveis (cumpridos)

• SHA-256 de cada arquivo — em manifest-sha256.txt, por item
• URL de origem + data/hora UTC de captura — em metadata.json (source_url, fetched_at)
• dc.rights e instituição de origem preservados por item — metadata.json traz community (100% dos itens) e rights (quando a instituição de origem o preencheu — ver nota abaixo)

Contagens (fechadas em 2026-09-30)

	Arquivos	Itens	Tamanho
Itens no catálogo	—	13.060	45,9 MB (catalogo.jsonl)
Imagem de preservação	13.194	12.991	127,4 GB
↳ extras (itens com 2 a 8 imagens)	203	121	incluídos acima
Miniatura do DSpace (thumbnail/)	13.060	13.059	1,5 GB
Cópia legada (objdigital)	2.137 (1.899 JPG, 213 PDF, 25 outros)	2.137	9,6 GB
metadata.json + manifest-sha256.txt	26.118	13.059	65 MB
Derivado thumb256	13.059	13.059	101 MB
Derivado medio	13.059	13.059	499 MB
Posts do blog (wordpress/)	636	—	10 MB
Total no bucket (sem descricao/)	81.269 objetos		139,2 GB

Sem imagem de preservação: 69 itens, listados em errors.md e falhas-500-2026-09-13.txt. A origem responde HTTP 500 ao bitstream, e todos, menos o 7523, têm a miniatura do DSpace.

Descrição arquivística (NOBRADE)

descricao/ descreve esta coleção segundo a NOBRADE (CONARQ, 2006), em seis níveis: acervo › coleção › 15 seções (instituição de origem) › 115 séries (coleção ou fundo de origem) › 13.060 dossiês (itens do DSpace) › 13.262 itens documentais (cada imagem). Código de referência BR RJXYZ.BF.<seção>.<série>.<handle>.<imagem>, com a entidade RJXYZ provisória até o CONARQ atribuir um CODEARQ.

Arquivo	Conteúdo
unidades.jsonl	26.454 unidades de descrição, elementos pelo número da norma
autoridades.jsonl, eac/	457 registros de autoridade (ISAAR(CPF)), também em EAC-CPF
ead/brasiliana.xml	a coleção inteira em EAD 3, validada contra o XSD oficial
atom.csv	importação no AtoM (modelo ISAD)
pendencias.md	validador dos obrigatórios: 0 pendências
revisao/, textos/	tabelas dos normalizadores e textos dos níveis 1–2
manifest-sha256.txt	SHA-256 de cada arquivo de descricao/

A descrição é derivada, como derivados/: regenera-se com python3 -m nobrade a partir do catálogo e do ledger. Decisões e mapeamentos estão em CONARQ.md, no repositório.

Exceções conhecidas (não são bugs)

• dc.rights ausente em 5.833 itens (44,7%) — característica real da fonte: várias instituições nunca preencheram esse campo no DSpace. A instituição de origem (community) está preservada em 100% dos casos; a decisão de redistribuição desses itens deve considerar a política de cada instituição individualmente (ver seção "Direitos" abaixo).
• Handle 20.500.12156.1/1 — descoberto pelo crawler mas não é um item: é a página raiz da comunidade. Excluído do catálogo final.
• Duplicatas com sufixo (N) removidas — 3.511 objetos nomeados arquivo (1).jpg ao lado de um arquivo.jpg byte a byte idêntico (artefato do navegador rebaixando por cima). Confirmados idênticos por ETag + tamanho antes de apagar; 0,39 GB recuperados. Sobraram 43 cujo nome tem o sufixo mas que são o único arquivo do item (ficam como estão) e 30 cujo gêmeo tem tamanho diferente — esses precisam de conferência individual e não foram tocados.
• Handle 20.500.12156.1/7523 ("Vista Aérea de Cabo Frio", Museu Aeroespacial) — sem imagem. O servidor da Biblioteca Nacional retorna HTTP 500 ao tentar servir os bitstreams desse item especificamente; não é um problema do nosso lado. Metadados preservados normalmente.
• Handles 20.500.12156.1/6656 e 20.500.12156.1/7939: a primeira tentativa baixou o bitstream de LICENÇA do DSpace (777 bytes de texto com extensão .jpg), que a validação de magic bytes barrou. Na rodada de 2026-09-13 os dois foram recuperados, e a imagem de preservação real está no bucket.

Direitos

Majoritariamente domínio público por antiguidade, mas as 15 instituições de origem (14 brasileiras + 1 alemã) têm políticas distintas. dc.rights e a instituição de origem são preservados por item: a decisão de redistribuir é item a item, não do acervo em bloco. Arquivar para si é uma coisa; republicar é outra.