Loading datasets...
Release Date: 11/4/2026
Format: WARC
Size: 11.54 GB
El dataset comprende una captura parcial de la Biblioteca Digital del Ministerio de Educación de Chile (bibliotecadigital.mineduc.cl), el repositorio donde el ministerio publica recursos docentes, investigación y estudios, normativas y una colección patrimonial. Fue capturado por el equipo Amnesia entre el 26 y el 27 de febrero de 2026 ante el riesgo de pérdida de información pública asociado al cambio de gobierno del 11 de marzo de 2026. El archivo WARC, el formato estándar de archivo web, contiene 8,996 respuestas del servidor: las fichas de 1,376 ítems con metadatos Dublin Core, 152 PDF, 18 documentos patrimoniales escaneados en TIFF y publicados entre 1971 y 1993 (8.2 GB), 2 unidades didácticas digitales en RAR (2.3 GB) y 7 planillas del Servicio de Información de Educación Superior (SIES) sobre acceso y avance curricular, de 2014 a 2025. La colección patrimonial digitalizada preserva materiales curriculares e investigación educativa del Estado chileno de las décadas de 1970 a 1990. Las fichas permiten reconstruir parte del catálogo del ministerio, con registros desde la década de 1890 hasta la de 2020. La captura se interrumpió antes de terminar. La portada declaraba unos 10,700 recursos, y de los 1,376 ítems capturados solo 135 tienen el documento descargado.
Ninguna. La información es de carácter público en su origen.
No usar para identificar o contactar a personas específicas fuera del contexto de rendición de cuentas.
| Archivo | Tamaño | Contenido |
|---|---|---|
warc/bibliotecadigital_mineduc_fullsite.warc.gz | 12.4 GB | Captura WARC con las respuestas originales del servidor |
README.md | Descripción del dataset | |
SHA256SUMS.txt | Hash SHA-256 de cada archivo |
Cada ficha de ítem trae sus metadatos Dublin Core embebidos en el HTML: DC.title, DC.creator, DC.contributor, DCTERMS.issued, DC.subject, DC.type, DC.language, DC.description, DCTERMS.abstract, DCTERMS.spatial, DC.identifier, DC.publisher y DC.relation. No todos los ítems tienen todos los campos.
Captura con wget 1.21.4 en modo espejo (--mirror --page-requisites), restringida al dominio del sitio, con un solo intento por recurso y 10 segundos de espera, escribiendo un archivo WARC.
La captura se interrumpió mientras escribía el último registro, que quedó truncado. Se copió el WARC hasta el último registro completo (18,026 registros) y se descartaron 1,724 bytes del registro incompleto, una página de navegación por temas. El resultado se lee completo con cualquier herramienta estándar.
SHA256SUMS.txt trae el hash de cada archivo del paquete.70a50bdd17037097268425169503b3d8feec363598346717a5b1773b42716500Compensated · similar languages
100 hours of rights-cleared Spanish-language episodic television content (5 episodes/series), with English subtitles and structured metadata
20 hours of rights-cleared Castilian Spanish-language scripted film content, accompanied by structured metadata and English Subtitles