/appledaily-archive-directory

蘋果日報文字備份目錄

MIT LicenseMIT

《蘋果日報》文字備份計劃

引言

《蘋果日報》已經喺2021年6月25日因涉嫌違反港區國安法而停刊。網絡上有唔少人都幫手將《蘋果日報》內容備份，我都想出一分力幫下手。

我之前backup左《蘋果日報》四十萬篇文，仲喺連登開左個Post：[現場直播]我backup左蘋果四十萬篇文章 。喺post入面講過會比大家下載，喺時候啦。

直去下載

計劃定位及目標

  • 主力喺想backup《蘋果日報》嘅文字內容，我相信文字嘅力量。
  • 希望之後可以為內文加入索引(indexing)，再寫一個SEO friendly嘅網站比大家可以易啲搵到之前嘅文章。
  • 公開數據喺希望可以集思廣益，等大家諗下可以點樣善用啲數據。唔想收收埋埋，其實大家backup完都唔會無啦啦一條一條開返黎睇。
  • 公開數據可以達到去中心化(decentralized)嘅目的，就算他日一個人有事，其他人都可以接力。
  • 不是要整埋所有《蘋果日報》包括圖/片/IG/Youtube/TG/FB等。我知到有其他人做緊。

數據來源及內容

數據由不同地方收集，其中包括：

由sorted_urls.txt 得知《蘋果日報》計晒所有版塊，由2002/01/01到2021/06/23最少有320萬篇文章。由於時間緊迫，只可以係死之前盡量backup，所以手上有嘅數據都唔完整。另外係公海都搵到兩個係IPFS嘅備份，但由於下載速度太慢，所以無時間驗證同整合到此目錄。之後如果再搵到唔同source會加返入黎。

《蘋果日報》文字檔2016-2021備份 https://ipfs.io/ipfs/QmX1WxnXhD5zyGch5rnJhCDS7P51CLt9YGSH5kFpzkL46T/

《蘋果日報》2002-01-01~2021-06-22圖文版 總數為2083673篇，約139GB 因連線問題、爬蟲太爛、連結壞掉等原因，仍有缺漏 https://ipfs.io/ipfs/Qmdig4NtBTbUiw9KRri83Warmrp4f5PFFFZMoQUwqXuNbZ/

下載方法

今次會用Resilio Sync (舊名BT Sync)去分享文件。下載請確保你有最少15GB硬碟空間。

第一步首先下載Resilio Sync https://www.resilio.com/individuals/

開啟軟件之後禁左上角嘅+

之後簡"Enter a key or link"

再貼上條Read Only key再禁Next

BFVFWP3DN5JCTK2TN2BDWURAN243LYN7U

再簡一個空嘅folder比佢download (全部內容14GB)

下載完之後記住keep住啲file同盡量長開部機做seed。同BT一樣，多啲人做seed就會快啲同多啲人download到。

為保障個人私隱，請去 Preferences > General > Device name 同埋 Preferences > Identity 到檢查一下你嘅設定。

資料結構同元資料(metadata)

下載左之後會有幾個壓縮左嘅文件，以下係內容簡介同sample data。

appledaily-article-json-backup-partial.zip

資料夾目錄示例 
版塊/日期/ID
appledaily-article-json-backup-partial
├── ETW
│   ├── 20111202
│   │   └── WPFLRR6V3NPPALU5UQOW4T2FZE
│   ├── 20120915
│   │   └── NH7BXK2YNEMIRN65EH2EWVTF3Q
│   ├── 20130615
│   │   └── ZIM7NMC3F426CNGPSIZVTC4NPE
│   ├── 20130926
│   │   └── B3X327QEDF2S465JEAJYCIKJHI
│   ├── 20131130
│   │   └── 5J2JMMLX42QNKH7RVZLHVNWR2M
│   ├── 20131224
│   │   └── DA5GAATGMOEOPNQ74NIMP367EA
│   ├── 20140211
│   │   ├── EGZQELJOVBIWOSRYICKEZZPIH4
│   │   ├── EM2NJG7HSR4ZLWZTP6TGW34SPU
│   │   └── WN54J5J3OE2ZDK6TZNWHX7QGKE
│   ├── 20140401
│   │   └── L465SA5GVWMGPE5HMHBGUIM3GQ
│   ├── 20140423
│   │   └── GVU4D42L7UOLRYEVSMF2GXZHWA

appledaily-html-backup-partial.zip

  • 壓縮大小：307M
  • 解壓縮後大小：1.0G
  • 總文件數：254,520
  • SHA256: dc08960ff5b0d7316e4443d55bd0c0ccca35cf239c9184512f8b04307ac7af6a
  • 內容：直接由網站抽取內文嘅HTML，無左頭頭尾尾佔少啲位
  • Sample data: samples/article_body.html
資料夾目錄示例 
版塊/日期/ID/{header/body}
appledaily-html-backup-partial
├── ETW
│   ├── 20190912
│   │   └── HIM4GYXUBLXKTRYVFXAV3TV2XA
│   │       ├── body
│   │       └── header
│   ├── 20191111
│   │   └── IGCVLE4LU6UP7BNVPRSYHUGZT4
│   │       ├── body
│   │       └── header
│   ├── 20191211
│   │   └── 3NML74DL36TDL5HTAGMN2Z6DV4
│   │       ├── body
│   │       └── header
│   ├── 20191212
│   │   └── YAJAUJSUHXAOSJNCW5AAUITGAE
│   │       ├── body
│   │       └── header
│   ├── 20191217
│   │   └── YRW7H7OSKURUWDC3K5UZY3M3EE
│   │       ├── body
│   │       └── header

appledaily-html-plaintext-full.tar.bz2

  • 壓縮大小：3.9G
  • 解壓縮後大小：58GB
  • 總文件數：41,113
  • SHA256: 1fa18e388a106b3d776f5f2725505111ced149a377938247752a597b88ca0b1b
  • 內容：完整HTML
  • Sample data: samples/article_full.html
資料夾目錄示例 
版塊/日期/ID/index.html
appledaily-html-plaintext-full
├── ETW
│   ├── 20170204
│   │   └── VRM6DRVV5QFISCKPAWEVF4VZPQ
│   │       └── index.html
│   ├── 20180718
│   │   └── LS2YDBSIWBOOL3Q72GET64KMHA
│   │       └── index.html
│   ├── 20181108
│   │   └── YPFI3FXFHRDNOFEAWXQL57T2DY
│   │       └── index.html
│   ├── 20190126
│   │   └── QI2OW5J4PWZR24UKCPUIT6JPXU
│   │       └── index.html
│   ├── 20190428
│   │   └── KIDT3JNJJ6XULPOWVQ3UC74K44
│   │       └── index.html
│   ├── 20190513
│   │   └── VNPMSZFAEIQ7N22Q4Q6HI4G6V4
│   │       └── index.html
│   ├── 20190620
│   │   └── DUMBFNOUWV5RQ3SNSE6DMQ5XJY
│   │       └── index.html

appledaily-images.zip

  • 壓縮大小：4.3G
  • 解壓縮後大小：4.4G
  • 總文件數：22,145
  • SHA256: 6486e193e4b621993bccb08e39f91574ac74ac1ec0fd8a2ee4ebfe059caa924e
  • 內容：部份圖片，多謝巴打提供
資料夾目錄示例 
appledaily-images
├── cloudfront-ap-northeast-1.images.arcpublishing.com
│   └── appledaily
│       ├── 226C7XZ2W26PB223B7BBW4LNRM.jpg
│       ├── 22CCPCN7EPVOPCZ4Z7ELFI3PGA.jpg
│       ├── 22DNAUFP6BBO27NHS2P3RJFTJU.jpg
│       ├── 22FTY7SG6UX7FPEHAOJHGGV2UM.jpg
│       ├── 22GATONINIFL2LZFVPVLG6OWBQ.jpg
│       ├── 22GDABZZGB5YVD3LADSRIJ6K5E.jpg
│       ├── 22IJTJHGHV5SMR7Q6UKQE43H3M.jpg
│       ├── 22JJBKF5CONQYLZMEQJ327IP2M.jpg
│       ├── 22KQ34EBEUBSKNEGPBQOTLLHEY.jpg
│       ├── 22PT73ZCL6R75IFGQGJTAVTIXY.jpg
│       ├── 22W73VZVQ6ZH4ZF2JUDPX25TRE.jpg
│       ├── 22XH77C5576YC37VFBPY4KB5VM.jpg
│       ├── 22Y2NLJXVNJVCCULTCFO4DFVFE.jpg
│       ├── 22ZGEVEFUAMYPK5BGOSQEKQNI4.jpg
│       ├── 233OTGPBBDBOEGR7YTVCL6VVEM.jpg

appledaily-articles-json.zip

  • 壓縮大小：2.0G
  • 解壓縮後大小：11G
  • 總文件數：393,288
  • SHA256: e202237f0592adec3c184174d291ad41a72e530d111d2d6137e888407b8889c6
  • 內容：另一個渠道download到嘅另一份JSON data，多謝巴打提供
  • Sample data: samples/content.json
資料夾目錄示例 
版塊/日期/ID.json
appledaily-articles-json
├── ETW
│   ├── 20170204
│   │   └── VRM6DRVV5QFISCKPAWEVF4VZPQ.json
│   ├── 20170610
│   │   ├── 2ISGW7J2UZKJGJZRYF3PDJGAYQ.json
│   │   ├── 444MG2JG5FXDB54RBUS724WR6A.json
│   │   ├── EP7B3VDDCDN2MF2RIXBFM6PWBA.json
│   │   ├── HRKJSBTJ24YAVG6YXX6ENHY4EI.json
│   │   ├── I25XHDF52454EZVVZ55GJMOO7Y.json
│   │   ├── M66J4Q67QJ3SYTF6IBVDNS7CHE.json
│   │   ├── N2ONCTA2QB4BMKDN6ST7RNM5HU.json
│   │   ├── N4KFENFKYTVLYYKYRALZONUSTA.json
│   │   ├── PO6HIL5B5YUDRSITSOY34RX4M4.json
│   │   ├── U6Y7DXS662SHP4U2JR4XU3KHIM.json
│   │   ├── W4YL5DNHZZI2PLM5FFH5RZEEWA.json
│   │   ├── YI6OW3RNZC2MMSNCIHPQAFBXOM.json
│   │   └── YLDS3NE66CVC5PPIM6UJWMA2BI.json

apple-articles-plaintext-20020101-20210620.zip

  • 壓縮大小：2.9G
  • 解壓縮後大小：8.5G
  • 總文件數：2,091,884
  • SHA256: b0da2c34944dc196f88753828b8e491121cdf318e8e420a8cea2441607640e43
  • 內容：純文字plain HTML。由文件數推算，最齊應該係佢。
  • Sample data: samples/plain.html
資料夾目錄示例 
data/日期/ID/index.html
apple-articles-plaintext-20020101-20210620/data/20200101
├── data
|   ├── 20200101
|   |   ├── 2IBXV4T3RNAPAU3L2ZQG55Z4KA
|   |   │   └── index.html
|   |   ├── 2MQGHNH6LTNB3C7AOHFXAU246E
|   |   │   └── index.html
|   |   ├── 2Z7HUE6MVMSHLN3Z746IURHLTM
|   |   │   └── index.html
|   |   ├── 35RCHVE2LL3LV7IO5KXMBKHQM4
|   |   │   └── index.html
|   |   ├── 3KQSXUC5P2Y3GUWC76RW3HW2VY
|   |   │   └── index.html
|   |   ├── 3SGNTAMBO4G4ZC22W6IKBLXDFM
|   |   │   └── index.html

appledaily-backup-metadata.zip

  • 壓縮大小：131M
  • 解壓縮後大小：441M
  • 內容：所有文件嘅path in plain text format。方便用script再process file。sorted_urls.txt應該有齊所有文嘅ID。
  • SHA256: 349b38548538a2677b5f823e93038f148b691ffc0e4bf6f71a9eb12a19acdac0
  • Sample data: samples/metadata_sample.txt

collection-news-appledaily-full-articles.json.zip

  • 壓縮大小：1.8G
  • 解壓縮後大小：5.06G
  • 內容：所有收錄文章（JSON 格式）
  • SHA256: ff107951f91200c891a6bf88f4f9fb9c08b638e66f6ae3109073291e9eea7651

可以用 shasum -a256 file_name 去檢查文件完整性同防止比人改左野。

聲明

明白《蘋果日報》仲有官司纏身，同埋雖然停左刊，但壹傳媒有限公司都仲持有內容版權。公開發佈同下載《蘋果日報》文章可能有法律風險(特別如果你喺香港)，國安法無遠弗屆。請大家自行衡量風自嘅風險承受能力。如果壹傳媒有限公司有任可疑問或者想take down內容，請電郵到 appledailyarchive at protonmail.com

現今嘅香港，要守護真相同歷史愈黎愈難。如果有能力嘅，可唔可以幫下手一人行多一步。🙏

FAQ

乜野係Resilio Sync？安唔安全？

Resilio Sync係BitTorrent公司開發嘅軟件，背後都係用BitTorrent嘅protocal。你可以當佢係BT版嘅Dropbox，同一份資料可以唔洗經**server嘅情況下傳送，資料傳送之間經過加密（但資料保密反而唔係我地今次嘅考慮）。至於個人私隱方面，軟件唔洗註冊或任何個資料，但記住都要做好網絡安全呀。

點解唔用XX

點解唔用Dropbox/Google Drive/One Drive

  • 大家一齊download好快就唔夠流量，最後又變左得好少人有

點解唔用IPFS

IPFS係一個比較新嘅P2P protocal，詳細特點我唔介紹啦。佢主要有幾個問題

  • 資料傳輸之間無加密（雖然唔係太大問題）
  • 真係太慢(有無熟嘅人可以指教下)

唔排除之後除左Resilio Sync會加更多嘅下載方法，有意見可以喺GitHub issue 提出。

寫在最後

蘋果咁急咁停刊同埋cut晒所有野，可能係太大壓力，可能係想保護仲有官司嘅人，可能係想保護前線記者或者寫過文章嘅人。所以我今日share左個backup出黎都唔知做得岩唔岩，會唔會好心做壞事。但係同一時間我見到好多人好努力咁backup緊以前蘋果嘅一點一滴，盡自己嘅力去保存同保護香港人仲有嘅野。

我有時會問自己自由係乜野？自由唔係淨係得我講無你講，得一種聲音。就算藍絲五毛拎住以前份蘋果出黎笑佢做過/講過嘅野都好，都係自由嘅表現，我唔同意但會尊重。蘋果被香港政府暴力迫死正正係香港再無新聞自由嘅分水領，而加有人想拎啲舊聞出黎抽水都唔可能了。唇亡齒寒，今日蘋果，聽日就會係其他人。

有高人教過我一句面對困境和逆境嘅心法，就係「戰略上樂觀，戰術上悲觀」。姐係話，你既唔可以係純粹的樂觀主義者，亦唔可以係純粹的悲觀主義者。個八個唔講得嘅字唔係一朝一日可以成功，成功之前一定會有好多次失敗；但同一時間無一個朝代/君主可以千秋萬世。能成大事者，往往是個啲歷經重大挫折而依然鬥志昂揚嘅人。

其他資源

YouTube