Wayback Back Machine: Como sea que lo escribas, así se usa

Buscaste 'wayback back machine'. Quizá tus dedos duplicaron una palabra, o quizá el nombre no termina de cuajar en tu memoria. No importa. La herramienta que buscas es la Wayback Machine en web.archive.org, y esta guía cubre las tres cosas que la gente realmente necesita de ella: encontrar un snapshot, descargar una página y restaurar un sitio completo cuando el original ya no existe.

Llevo años sacando sitios de ese archivo, un foro phpBB de 2009 para un cliente, una tienda WooCommerce cuya factura de hosting se perdió en una carpeta de spam para otro. La herramienta es siempre la misma. Lo que cambia es la técnica.

Por qué tanta gente escribe 'Wayback Back Machine'

El nombre oficial tiene un ritmo peculiar, así que los logs de búsqueda se llenan de variantes. 'Wayback back machine' es una de las más comunes. También verás 'machine way back', 'the way back machine' e 'internet wayback machine'. Todas llevan al mismo sitio: el archivo web del Internet Archive.

El nombre viene de la máquina WABAC, el aparato de viaje en el tiempo del cartoon The Adventures of Rocky and Bullwinkle and Friends. Dilo una vez con eso en mente y dejará de resbalarte. Wayback. Una sola palabra, sin 'back' extra.

Google perdona el error tipográfico. El archivo también. Lo que importa es lo que haces una vez que se carga el calendario.

Encontrar un snapshot en la Wayback Machine

Abre web.archive.org y pega la dirección completa de la página o sitio en el buscador. Lo que aparece es una línea de tiempo: un sparkline de capturas por año en la parte superior y un calendario debajo. Los días con capturas tienen círculos de colores. Azul significa que el crawler obtuvo una respuesta 2xx limpia, verde significa una redirección, naranja y rojo significan errores. Un círculo más grande significa más capturas ese día.

1. Pega la URL con o sin protocolo, el archivo la normaliza.
2. Haz clic en un año del sparkline, luego pasa el cursor sobre una fecha y elige una marca de tiempo.
3. Verifica que la página realmente se renderice. Una captura puede existir y aun así estar rota.
4. Navega dentro del snapshot. Los enlaces internos y los recursos también se cargan desde el archivo.
5. Prueba las variantes con www y sin www, y http frente a https. Los sitios antiguos suelen estar archivados de forma desigual entre ellas.

¿No recuerdas una dirección exacta? Abre la página del calendario del sitio y usa la vista de URLs para listar las rutas capturadas. Aparecen páginas que olvidaste que existían, que suele ser donde se esconde el contenido que realmente extrañas.

Un hábito que evita dolores de cabeza: nunca juzgues una fecha solo por la página de inicio. La página de inicio es la más capturada de cualquier sitio, así que casi siempre se ve bien. Antes de comprometerte con una fecha, abre dos o tres páginas más profundas, un producto, una entrada de blog, una página de contacto, y confirma que se rendericen con imágenes y estilos. Quince minutos de clics aquí ahorran un día de retrabajo después.

Descargar una sola página

Para una página tienes tres métodos viables, del más perezoso al más quirúrgico.

1. Guardado del navegador. Abre el snapshot, presiona Ctrl+S, elige 'Página web, completa'. Obtienes el HTML más sus recursos, con el markup de reescritura del archivo incluido. Bien para leer, desordenado para reutilizar.
2. El sufijo id_. Edita la URL del snapshot para que la marca de tiempo termine en id_, como https://web.archive.org/web/20140601120000id_/http://example.com/, y el archivo te entrega la página tal como se capturó: sin barra de herramientas, sin enlaces reescritos. Mira el código fuente y copia lo que necesites.
3. wget. Apunta wget -p -k a la URL con id_ para bajar la página y sus dependencias de una sola vez. Este es el método a usar cuando también quieres las imágenes.

Los tres están bien para una o dos páginas. Alrededor de la página cincuenta dejan de ser un método y se convierten en un castigo.

Sea cual sea el método que elijas, abre el archivo guardado localmente antes de confiar en él. Verifica que las imágenes se carguen desde el disco y no desde web.archive.org, y elimina el markup de la barra de herramientas inyectada por el archivo si planeas republicar algo. Cinco minutos de higiene ahora evitan un desastre de recursos hotlinkeados después.

Los límites de la Wayback Back Machine cuando quieres el sitio completo

El archivo se creó para navegar la historia, no para devolverte tu sitio web. Eso se nota enseguida cuando intentas recuperar más de un puñado de páginas.

• No hay botón de descarga masiva. Cada archivo, cada página, imagen, hoja de estilos, script, es una captura separada.
• Las páginas profundas se capturan rara vez o nunca. Una página de inicio puede tener 400 snapshots mientras una de producto tiene dos.
• Los recursos faltan. El HTML puede ser de marzo mientras su CSS nunca se capturó en absoluto.
• Los límites de tasa convierten la descarga página por página en una tarea de varios días.
• Las páginas ensambladas por JavaScript en tiempo de ejecución a menudo se archivan como carcasas vacías.

Haz el cálculo antes de empezar. Un sitio de 500 páginas a dos minutos por página son más de dieciséis horas de clics, y todavía tienes que arreglar enlaces, eliminar el markup del archivo y buscar hosting. La guía completa está en cómo descargar un sitio web completo de archive.org.

Restaurar un sitio completo, paso a paso

Este es el trabajo para el que se creó este servicio. Pega el dominio y obtienes un presupuesto instantáneo gratis: el conteo exacto de archivos archivados, el tamaño total y un precio fijado antes de pagar nada. Sin suscripciones, recargas un saldo con tarjeta o cripto y pagas por archivo restaurado. El primer archivo es gratis.

1. Ingresa el dominio y revisa el presupuesto.
2. Elige tu rango de fechas, para restaurar el sitio en su mejor momento y no en el más reciente.
3. Configura tus opciones: eliminar analíticas, anuncios e iframes, convertir enlaces internos a relativos, forzar HTTPS, minificar JS y CSS.
4. Ejecuta la restauración y mira el progreso en vivo en el panel.
5. Descarga el sitio terminado, o despliégalo directamente en tu hosting.

Los despliegues son con un clic a un VPS por SSH o SFTP, hosting compartido por FTP/FTPS, o S3, con credenciales cifradas con AES-256-GCM. Cada despliegue incluye el CMS de Restorix gratis, un editor de un solo archivo PHP en /webarchive-cms.php con una contraseña por sitio que se muestra en el panel, para que puedas corregir contenido sin redesplegar. El tutorial recorre todo el flujo.

Lo que la Wayback Back Machine no puede salvar

Ajusta las expectativas antes de prometerle a alguien una recuperación completa. Parte del contenido simplemente nunca llegó al archivo.

• Páginas detrás de logins o paywalls, los crawlers tampoco pueden entrar.
• Secciones que robots.txt bloqueó, lo que históricamente mantuvo a los crawlers fuera.
• Contenido obtenido mediante formularios y peticiones POST, como resultados de búsqueda internos.
• La mayoría de embeds de audio y video en streaming.
• Cualquier cosa generada puramente del lado del cliente por JavaScript que el crawler no ejecutó.
• La base de datos en sí. Obtienes HTML renderizado, no el volcado de MySQL.

El foro de un cliente volvió impecable, cada hilo de 2009 intacto. Los adjuntos de fotos estaban detrás de un login y se perdieron. Sabe en qué categoría cae tu contenido antes de empezar a contar archivos. Cuando necesitas los datos crudos de todos modos, Restorix puede exportar una exportación estructurada de artículos en XML, CSV o JSON, más un manifiesto en JSON o SQLite de cada archivo restaurado, útil para auditar qué sobrevivió.

Mantener tu sitio restaurado en línea

Un sitio restaurado es HTML estático, así que el hosting es barato y sencillo. Conserva las redirecciones 301 y 302 que la restauración preservó, elige un host canónico, www o sin www, y vuelve a poner el sitio en su dominio antiguo si todavía lo tienes. Los enlaces entrantes antiguos vuelven a funcionar, que es la mitad del valor SEO de una restauración.

Como sea que escribiste el nombre, con 'back' extra, con las palabras en desorden, la salida es la misma. Encuentra el snapshot, guarda lo que importa y vuelve a poner el sitio en un host que controles.