Recuperación de páginas web antiguas: las formas más rápidas de encontrar una página perdida

Alguien te envía un enlace. Haces clic y, en lugar de la página, aparece un 404, o peor, un dominio aparcado lleno de anuncios de pastillas y criptomonedas. La página existía el año pasado. Lo sabes. Puede que la hayas citado. La recuperación de páginas web antiguas es el arte de recuperar esa única página y, a diferencia de restaurar un sitio completo, suele ser un trabajo de diez minutos si llamas a las puertas correctas en el orden adecuado.

Este es el orden que utilizo, del más rápido al más lento, con las tasas de éxito que realmente observo. La buena noticia: para una página pública que existió durante más de unos meses, las probabilidades están claramente a tu favor.

Recuperación de páginas web antiguas: prueba primero la fuente más rápida

El movimiento más rápido en la recuperación de páginas web antiguas no cuesta nada y toma cinco segundos. Pega la URL inactiva en la barra de direcciones de Wayback Machine, o usa el atajo web.archive.org/web/ seguido de la URL, y obtendrás un calendario con cada captura realizada. Elige una fecha y recupera la página. Para páginas que fueron públicas durante un año o más, esto funciona unas ocho de cada diez veces según mi experiencia.

Si sabes aproximadamente cuándo estaba activa la página, añade un año al atajo: web.archive.org/web/2019/ seguido de la URL salta directamente a la captura más cercana de 2019 en lugar de hacerte desplazarte por el calendario. Un pequeño truco, pero que ahorra mucho tiempo cuando estás comprobando una docena de URLs seguidas.

Wayback Machine: la columna vertebral de la recuperación de páginas web antiguas

La Wayback Machine es donde comienzan y terminan la mayoría de las recuperaciones de una sola página, así que aprende sus dos peculiaridades. Primero, el calendario marca las fechas de captura con círculos, círculos más grandes significan más capturas ese día, y los años prósperos son los que hay que explotar, no el año en que murió el dominio. Las últimas capturas de un sitio moribundo suelen ser páginas de aparcamiento. Segundo, lo que recuperas es una instantánea: las imágenes se cargan desde copias archivadas, los enlaces apuntan a otras páginas archivadas y el formulario de contacto ahora no funciona en absoluto.

Otros dos movimientos útiles. La vista Changes resalta lo que difería entre capturas, útil cuando necesitas la versión anterior a que alguien editara la parte que buscabas. Y si Wayback no tiene nada, no te detengas ahí. Es el archivo más grande, pero no el único.

archive.today: el plan de respaldo que a menudo gana

archive.today, también accesible como archive.ph, archive.li y un puñado de otros espejos, es una bestia completamente distinta. Guarda páginas a pedido en lugar de rastrearlas según un horario, no respeta las mismas solicitudes de exclusión y suele albergar páginas que Wayback pasó por alto por completo. Busca la URL en su página principal: si alguien, en algún lugar, pegó ese enlace en su caja de guardado, la instantánea está ahí.

Sus capturas también manejan mejor las páginas modernas. Renderiza JavaScript antes de guardar, por lo que las páginas que aparecen como caparazones vacíos en Wayback a veces regresan completas. La contrapartida es que todo es manual, una página a la vez, está bien para una sola página, pero un dolor para cincuenta.

Qué pasó con la caché de Google y la de Bing

Durante veinte años, la respuesta más rápida a 'la página ya no existe' era la copia en caché de Google. Eso terminó en febrero de 2024, cuando Google retiró el operador de búsqueda cache: y eliminó los enlaces Cached de los resultados. La justificación oficial fue que las páginas ahora cargan de manera suficientemente fiable como para que nadie lo necesite, un pequeño consuelo mientras miras un 404.

Bing mantuvo un enlace de página en caché por más tiempo, escondido en el menú junto a cada resultado, pero también lo ha ido eliminando. Si todavía ves uno, úsalo mientras dure. Las cachés de los motores de búsqueda solo conservaban el rastreo más reciente, lo que las hace inútiles para una página que desapareció hace años, pero para una página eliminada el martes pasado, pueden ser la única copia que existió.

Lugares que la gente olvida comprobar

• Citas de Wikipedia. Si la página fue citada alguna vez en Wikipedia, la cita suele incluir un enlace 'archivado desde el original' a una instantánea. Revisa también el historial de ediciones del artículo.
• Common Crawl. Un conjunto de datos de rastreo público y gratuito en index.commoncrawl.org. HTML en bruto, sin interfaz bonita, difícil de consultar, y páginas que nadie más conservó.
• Lectores de RSS. Feedly, Inoreader y similares almacenan el texto de los artículos obtenidos. Si la página era una entrada de blog con feed, su texto completo puede estar ahora mismo en los lectores de desconocidos.
• Tu propio navegador. Si visitaste la página recientemente, tu historial confirma la URL exacta, y a veces una recarga recupera la página de la caché del disco antes de que llegue el 404. Bajas probabilidades, coste cero.
• Aplicaciones de 'leer más tarde'. Guardados en Pocket e Instapaper, tuyos o del autor.
• El autor. Un breve correo electrónico, 'Cité tu artículo, ¿aún tienes una copia?', funciona con más frecuencia de lo que la gente cree.

Recuperación de páginas web antiguas cuando no se archivó nada

A veces la respuesta honesta es que no existe ninguna instantánea: la página era demasiado nueva, el sitio bloqueó los rastreadores o vivía detrás de un inicio de sesión. La recuperación de páginas web antiguas no termina en ese punto, pero las herramientas pasan de archivos a forense digital.

Busca frases distintivas de la página entre comillas, los sitios que sindicaron, citaron o simplemente copiaron el contenido aparecerán, y puedes reconstruir la sustancia a partir de los suyos. Busca solo el título de la página: los rediseños mueven el contenido a nuevas URLs todo el tiempo sin avisar a nadie, y la página 'eliminada' a menudo vive en una nueva dirección en el mismo sitio. Busca versiones PDF o para imprimir; la documentación y el contenido académico suelen tener una. Y comprueba quién enlazaba a ella, un bloguero que haya resumido la página en detalle ya ha hecho la mitad de tu reconstrucción.

Recuperación de páginas web antiguas: qué fuente probar primero

Una página es un trabajo de diez minutos con esta tabla. Veinte páginas del mismo sitio ya no es recuperación de páginas web antiguas, es una restauración de sitio. Cuando llegues a ese punto, deja de obtener URLs una por una y restaura en masa: la plataforma de restauración ofrece una estimación gratuita con el recuento exacto de archivos archivados antes de que gastes nada, lo que también te dice si vale la pena restaurar el sitio. Si todo el sitio ha desaparecido, consulta recuperación de sitios web antiguos para la versión completa de esta guía.

Guarda la página correctamente esta vez

Sea lo sea que recuperes, asume que puede desaparecer de nuevo, los archivos tienen vacíos, las reglas de exclusión cambian, los servicios van y vienen. Guarda la página de tres formas, ahora mismo. Envía la URL activa a Save Page Now de Wayback Machine para que exista una instantánea fresca en tu horario. Envíala a archive.today como segunda copia independiente. Y guarda una copia local que ningún servicio controle: una impresión a PDF, o un guardado de HTML en un solo archivo desde tu navegador. Tres copias en tres sistemas suena paranoico hasta el día en que suena obvio.

Si la página recuperada es tuya y va a volver a estar en línea, la misma lógica se aplica a mayor escala: restaura el sitio correctamente, mantén los archivos editables y no vuelvas a depender de la memoria de un rastreador para tu propio contenido. El tutorial de Restorix recorre una restauración completa si quieres ver el proceso antes de comprometerte.