[[Startseite|← Zurück zur Startseite]] # Dokumentenarchivierung Ein durchsuchbares Archiv aus gewachsenen Beständen: Dateiablagen, alte Mailarchive und laufende Postfächer. Ergebnis nach wenigen Wochen: **über 72.000 Dokumente**, Mailbestand von 1991 bis heute, durchgehend ab 2006. Die Technik war dabei der kleinere Teil. Der größere war, herauszufinden, **was überhaupt ins Archiv gehört** – und was der Bestand in Wahrheit enthält. ## Der Bestand war ein anderer als erwartet Vor dem Import wirkten 160 GB Quelldaten bedrohlich. Die Messung ergab: **80 % des Volumens waren Musikdateien.** Der tatsächliche Bedarf lag bei sieben Gigabyte. Von rund 5.300 Quelldateien wurden 1.384 Dokumente – eine Ausbeute von **26 %**. Der Rest war Projekt- und Webmaterial. Der nüchterne Befund: *Der Inhalt ist überwiegend kein Archivgut.* Auch die vorbereitende Arbeit erübrigte sich teilweise. Angefordert war eine Liste der Firmen, mit denen zu rechnen sei. Der erste Testlauf erzeugte **277 Schlagwörter aus den vorhandenen Ordnernamen**, darunter fast alle Firmennamen. Die Liste lag damit **gemessen** vor statt geschätzt. ## Die Ordnerstruktur war bereits das Ordnungssystem Die zentrale Konzeptentscheidung: **Ordnernamen werden automatisch zu Schlagwörtern.** Keine neu erfundene Hierarchie, kein Umsortieren. Über 480 Schlagwörter entstanden ohne einen einzigen Handgriff. Von vier möglichen Ordnungsmitteln werden nur zwei genutzt – Schlagwörter und Absender. **Dokumenttypen wurden gestrichen:** Steht „Rechnung" im Text, findet die Volltextsuche sie ohnehin; ein eigenes Feld verdoppelt nur die Pflege. Ebenso gestrichen wurden Bearbeitungsstände, die eine laufende Sachbearbeitung voraussetzen, die es hier nicht gibt. **Ein leeres Feld ist damit der Sollzustand, kein Mangel.** Der Ablagepfad auf der Platte bleibt zusätzlich erhalten. Sollte die Software eines Tages nicht mehr wartbar sein, liegt dort ein Aktenschrank, den jeder Dateimanager öffnen kann. ## Was nicht ins Archiv gehört Der Grundsatz: **Ins Archiv gehört das Ergebnis, nicht das Arbeitsmaterial.** Das fertige Handbuch ja, die Screenshots, aus denen es entstand, nein. Das stärkste Argument dafür ist kein Platzargument: **Screenshots verschlechtern aktiv die Suche.** Sie enthalten Oberflächentext – eine Suche nach „Einstellungen" oder „Speichern" träfe hunderte davon. Rund 40 % der Quelldateien waren solche Bilder. Bevor das entschieden wurde, war eine Bedingung zu prüfen: Gibt es abfotografierte Belege? Nein – die vorhandenen Scanner liefern ausschließlich PDF. Andernfalls hätte ein Bildausschluss künftige Scans stillschweigend verworfen. Ausgeschlossene Dateien wurden nicht gelöscht, sondern **mit unveränderter Ordnerstruktur gesichert**, ergänzt um ein einziges Verzeichnisdokument im Archiv, das alle Pfade auflistet. Verworfen wurde die naheliegendere Idee, je Datei einen Platzhalter anzulegen: Das Archiv hätte zu drei Vierteln aus Platzhaltern bestanden. ## Was die Praxis gelehrt hat **Ein Drittel der Mails wurde nicht als Mail erkannt – ohne Fehlermeldung.** Im Testlauf betraf es 63 von 213 Nachrichten. Ursache waren uralte Spamfilter-Kopfzeilen mit einer überlangen Fortsetzungszeile, die die Formaterkennung durcheinanderbrachten. Das Tückische: **54 davon wurden stillschweigend als Rohtext übernommen** – technische Kopfzeilen und kodierter Anhang landeten im Volltextindex. Kein Fehler, keine Warnung, nur unbrauchbare Treffer. Nach einer Vorbehandlung wurden alle 213 korrekt erkannt. **Gleicher Betreff heißt nicht gleiche Mail.** Vor einer Importrunde wurde geprüft, wie viele der Dateinamen bereits als Titel im Archiv standen: **269 von 269**, hundert Prozent Überschneidung. Die naheliegende Empfehlung lautete, gar nicht erst zu importieren. Das war falsch. Der Import brachte **145 neue Dokumente** – hinter 42 % der identischen Betreffzeilen steckten andere Nachrichten. Seitdem gilt: Über Dubletten entscheidet die Prüfsumme, nicht der Betreff. **Die Dublettenerkennung griff zunächst zu null Prozent.** Inhaltsgleiche Mails wurden nicht erkannt, weil das Entpackwerkzeug in jede Nachricht eine **zufällige Trennmarke** schrieb – keine Datei war byte-identisch. Nach Normalisierung: **99,2 %**. Eine Feinheit dabei: Bei drei Nachrichten waren Trennmarken verschachtelt; pauschales Ersetzen hätte sie zerstört. **Neunundachtzig Prozent der Fehler waren keine.** Von 1.583 fehlgeschlagenen Verarbeitungen waren 1.418 Doppeleinträge durch Rückstau und 46 verworfene Dubletten. Kein Datenverlust. Wer nur auf die Fehlerzahl sieht, sucht an der falschen Stelle – und übersieht die wenigen echten. **Beleg und Verlauf gehören getrennt.** Auf **eine** Rechnung kommen leicht zwanzig Mails, die sie erwähnen. Ohne Unterscheidung verschwindet der Beleg zwischen hundert Terminbestätigungen – genau das Dokument, das man eigentlich suchte, versinkt in dem Verlauf, den man auch behalten wollte. Umgesetzt über zwei getrennte Kennzeichnungen beim Entpacken. **Zwei eigene Fehldiagnosen, protokolliert statt verschwiegen.** Einmal wurde ein Dienst für abgestürzt gehalten – er war ein Nebenläufer im selben Prozess, die Prozessliste war schlicht das falsche Werkzeug. Ein andermal schien ein Netzlaufwerk verschwunden; tatsächlich scheiterte die Suche still an einem **Apostroph im Ordnernamen**. Beides führte zu unnötigen Neustarts. Bei gewachsenen Ablagen sind Sonderzeichen die wahrscheinlichere Erklärung als ein Systemfehler. ## Was messbar herauskam | Kennzahl | Wert | |---|---| | Dokumente im Bestand | **über 72.000** | | Durchsatz bei Bürodokumenten | 12–15 Dokumente/Minute | | Durchsatz bei echten Scans mit Texterkennung | 6,6 Dokumente/Minute | | Dokumente ohne erkannten Text | 8 von 1.385 = **0,6 %** | | Nicht importierbare Grenzfälle im Hauptarchiv | 49 von ~38.500 = **0,14 %** | | Neuaufbau des Suchindex | 1:44 Minuten für 3.609 Dokumente | | Wiederherstellungstest | bestanden | Eine einzelne Stellschraube – die Wartezeit, nach der eine Datei als vollständig gilt – **verdreifachte den Durchsatz** von 4,4 auf 12–15 Dokumente pro Minute. ## Wo die Grenzen liegen Zwei Grenzen wurden im Betrieb tatsächlich erreicht und ehrlich benannt: Der **eingebaute Gesamtexport der Archivsoftware skaliert nicht**. Bei knapp 70.000 Dokumenten zog jeder Lauf über elf Gigabyte Arbeitsspeicher und endete im Speicherfehler. Er wurde stillgelegt; gesichert wird auf anderem Weg. Das Restrisiko – die Sicherung ist damit an die Plattform gebunden – ist ausdrücklich in Kauf genommen. Und: **Vollständige Automatisierung ist nicht erreichbar.** Es gibt keine Regel „nur ausführen, wenn das Feld leer ist". Wer null Handarbeit will, muss leere Felder hinnehmen; beides zugleich geht nicht. ## Woran wir gerade arbeiten - Ein Weg für einzeln abgelegte Mails eines verbreiteten Formats – wer eine Mail per Ziehen ablegt, erzeugt genau dieses, und es käme derzeit **nicht** an - Ein Zielordner für den Scanner: Eine Ablage in der Wurzel erzeugt weder Schlagwort noch Ablagepfad ## Was wir daraus mitnehmen Der teuerste Fehler beim Archivieren ist nicht der, der eine Fehlermeldung erzeugt. Es ist der, der **stillschweigend etwas Unbrauchbares** ins Archiv schreibt. Ein Drittel der Mails wäre als Zeichensalat durchsuchbar gewesen – und niemandem wäre es aufgefallen, bis man etwas gesucht hätte. Deshalb wurde nach jedem Schritt gemessen und stichprobenweise nachgesehen, statt sich auf die Fehlerzahl zu verlassen. --- *Stand: 27.07.2026* --- [[Impressum|Impressum]] | [[Datenschutzerklärung|Datenschutz]]