Zwei Drittel meines Archivs sind Kopien
Im ersten Teil habe ich beschrieben, wie ich meine Platten nach alten Schulungsunterlagen durchsucht habe und dabei vor allem gelernt habe, wie wenig ich über den eigenen Bestand weiß. Der nächste Schritt war naheliegend: nicht mehr nur auf die Dateinamen schauen, sondern in die Dateien hineinsehen.
Ausgelesen wurden 12.565 Dokumente aus den Jahren 1996 bis 2018. Word, Excel, PowerPoint, PDF, die alten Binärformate genauso wie die neuen. Zusammen ergaben sie 63,7 Millionen Zeichen Text, und der Durchlauf dauerte zwanzig Minuten auf eigener Hardware. Dann kam die Zahl, die mich umgehauen hat.
Von den 12.565 Dokumenten waren nur 4.256 inhaltlich verschieden.
Der Rest, also 8.309 Dateien, war Dublette. Nicht ähnlich, sondern zeichengenau identisch im Text. Zwei Drittel meines Dokumentenarchivs bestehen aus Kopien von sich selbst.
Wie das passiert
Wie legt man sich achttausend Kopien zu, ohne es zu merken? Absichtlich tut das niemand. Das entsteht nebenbei, und zwar
auf immer dieselbe Weise. Ein Rechner wird ersetzt, und die alte Platte kommt
als Ordner Sicherung_alte_Platte auf die neue. Ein Telefon wird gewechselt,
und das Sicherungsprogramm legt alles noch einmal ab. Eine Freigabe wird
umgezogen, und man behält vorsichtshalber beides.
Bei mir heißen die Ordner Baerchen_Umzug_Lenovo, X1_Datensicherung,
gerettet_wd, desktop_park. Jeder einzelne war zum Zeitpunkt seiner
Entstehung eine vernünftige Entscheidung. In Summe sind sie ein Archiv, das sich
selbst dreifach erzählt.
Und dann gibt es noch die 1.193 Dokumente, die beim Auslesen weniger als vierzig Zeichen hergaben. Das sind Scans ohne Textebene, also Bilder von Papier. Sie liegen da, sie sind gesichert, sie sind sogar auffindbar. Nur lesen kann sie niemand außer mir, und auch ich nur, wenn ich sie öffne und hinsehe.
Warum das mehr ist als ein Aufräumproblem
Man könnte sagen: Speicher kostet nichts, also sollen die Kopien liegenbleiben. Das stimmt sogar, solange man nur an den Platz denkt.
Es kostet aber etwas anderes. Wer eine Datei sucht und acht Treffer bekommt, muß entscheiden, welcher der richtige ist. Bei zwei Fassungen geht das noch. Bei acht schaut man in die erste, findet ungefähr das Gesuchte und hört auf zu suchen. Genau dort entstehen die Fehler, die später niemand mehr erklären kann: Man hat mit einem Stand gearbeitet, den es in drei Versionen gab, und nicht gemerkt, welche man erwischt hat.
Redundanz fühlt sich nach Sicherheit an. Tatsächlich ist sie das Gegenteil, sobald niemand mehr sagen kann, welche Kopie die maßgebliche ist. Eine Datei, die man findet, ist ein Fund. Acht Dateien, die man findet, sind eine Aufgabe.
Was ich daraus mache
Gelöscht habe ich nichts. Das ist mir wichtig, und zwar aus einem einfachen Grund: Eine Dublette zu erkennen ist billig, sie zu löschen ist unumkehrbar. Was entstanden ist, ist ein Verzeichnis, das zu jedem Text sagt, wo er zuerst auftauchte und in welchen Kopien er sonst noch liegt.
Damit ist wenigstens die Frage beantwortet, welche Fassung die erste war. Das genügt mir fürs Erste. Ob ich die anderen achttausend je wieder anfasse? Vermutlich nie.
Im nächsten Teil geht es um ein einzelnes Archiv von 243 Gigabyte, das ich geöffnet habe in der Erwartung, endlich die vermißten Unterlagen zu finden. Gefunden habe ich etwas ganz anderes.
▸ Datensouveränität · ▸ Werkstatt