Archive.org Website: Advanced Search, Mga Filter at Koleksyon

Karamihan sa mga tao ay bumibisita lang nang isang beses sa Archive.org website. I-paste nila ang patay na URL sa Wayback Machine, kumuha ng screenshot, at aalis na. Ito ay isang pag-aaksaya ng isang seryosong tool. Sa likod ng parehong login ay nakatago ang isang buong digital library, daan-daang milyong item, na may sariling search engine, query syntax, at mga filter na halos walang gumagamit.

Maraming taon na akong kumukuha ng mga client site, patay na software, at na-scan na mga manual mula sa Archive.org. Ang pagkakaiba sa paghahanap ng isang bagay sa loob ng dalawang minuto at pagsuko pagkatapos ng dalawampu ay bihirang dahil sa swerte. Ito ay dahil sa pag-alam kung aling search box ang gagamitin at aling filter ang i-click. Ito ang workflow na talagang sinusunod ko.

Ano ang Talagang Ini-index ng Archive.org Website

Nagsisimula ang kalituhan dito. Ang Archive.org ay nagpapatakbo ng dalawang magkaibang sistema na nagbabahagi ng logo. Ang item archive, ang hinahanap mo mula sa front page, ay naglalaman ng mga na-upload at na-crawl na bagay: mga libro, konsyerto, software, video, mga radio show. Bawat item ay may metadata, file list, at mga review. Ang Wayback Machine, sa web.archive.org, ay naglalaman ng mga snapshot ng web page na na-index ayon sa URL. Higit sa 900 bilyon sa kanila.

Bakit mahalaga ito para sa mga lumang website? Dahil ang isang patay na site ay maaaring lumabas sa parehong lugar, nang magkaiba. Ang Wayback side ay may mga page. Ang item side ay maaaring maglaman ng isang Archive Team rescue crawl ng buong serbisyo kung saan nakatira ang iyong site, GeoCities, FortuneCity, MobileMe, na naka-package bilang mga downloadable na WARC file. Kung gumagamit ka lang ng isang pinto, napalalampas mo ang isa pa.

• Mga Teksto: mga na-scan na libro, manual, magasin, ganap na mahahanap sa buong teksto
• Software: lahat mula sa shareware CDs hanggang sa mga lumang browser at Flash projector
• Audio at video: mga live na konsyerto, archive ng radyo, news reel, komersyal
• Mga web item: mga koleksyon ng crawl at mga kuha ng Archive Team, na nakaimbak bilang mga WARC file
• Mga larawan at data: mga photo set, scan ng mapa, dataset ng pananaliksik

Advanced na Paghahanap sa Archive.org Website

Ang box sa front page ay okay na para sa mga Beatles bootleg. Para sa anumang tumpak, pumunta sa advanced search page, archive.org/advancedsearch.php, o isulat mo mismo ang query. Ang syntax ay Lucene-like at mahigpit: lowercase ang mga pangalan ng field, ginagamit ang square brackets para sa mga range, at ang mga boolean operator ay dapat uppercase. Kapag mali ang isa sa mga iyon, tahimik kang makakakuha ng mga basura na resulta.

Isang query na nakakahanap ng Joomla-related na software na idinagdag sa pagitan ng 2005 at 2010 ay ganito ang hitsura: title:(joomla) AND mediatype:software AND date:[2005-01-01 TO 2010-12-31]. I-paste ito sa search box at gagana lang. Hindi kailangan ng form.

• identifier:, ang eksaktong URL slug ng item; ang pinakamabilis na paghahanap doon
• collection:, limitahan sa isang koleksyon, hal. collection:archiveteam
• creator: at title:, fuzzy ngunit kapaki-pakinabang kapag may mga quote sa paligid ng mga parirala
• date:[YYYY-MM-DD TO YYYY-MM-DD], range ng petsa ng pagdaragdag, hindi ang orihinal na petsa ng publikasyon
• mediatype:, texts, software, audio, movies, image, web, data
• NOT, AND, OR at mga parenthesis, pagsamahin nang malaya, ngunit i-uppercase ang mga ito

Isang gotcha: ang date: ay nagfi-filter kung kailan pumasok ang item sa archive, hindi kung kailan ginawa ang nilalaman. Ang isang manual noong 2003 na na-upload noong 2019 ay tumutugma sa 2019.

Mga Filter na Nagpapatakbo ng Mabibigat na Gawain

Kapag nag-load na ang mga resulta, nasa kaliwang sidebar ang tipid sa oras. Maaari kang mag-filter ayon sa mediatype, taon, koleksyon, creator, at wika, at mag-sort ayon sa relevance, views (all-time o weekly), petsa ng pagdaragdag, o title. Karamihan sa mga paghahanap ay nabibigo hindi dahil wala ang materyal, kundi dahil nasa page nine ito sa likod ng dalawang daang podcast episode. Inaayos iyan ng mga filter.

1. I-filter muna ang mediatype. Ang paghahanap ng isang defunct na CMS sa lahat ng bagay ay maglulubog sa iyo sa audio.
2. Mag-sort ayon sa weekly views kung gusto mo ng materyal na pinananatili, ang crowd ay disenteng quality signal.
3. Mag-stack ng collection at year filter para muling buuin ang hitsura ng isang sulok ng web noong, sabihin nating, 2008.

Mga Koleksyon na Karapat-dapat Malaman para sa mga Lumang Website

Ang mga koleksyon ay mga curated na shelf, at iilan sa kanila ay ginto para sa sinumang humahabol ng mga lumang website:

• archiveteam, mga panic, mapagmahal na kuha ng mga namamatay na serbisyo: GeoCities, FortuneCity, Posterous, MobileMe. Mga karaniwang kumpletong WARC crawl ng buong hosting platform.
• geocities at mga mirror nito, ang Yahoo! GeoCities rescue, ang pinakamalaking solong recovery ng mga personal na web page na kailanman naisagawa.
• widecrawl at iba pang mga koleksyon ng crawl, bulk na Internet Archive crawls, kapaki-pakinabang kapag may mga gap ang Wayback per-URL view.
• mga koleksyon ng software library, mga lumang browser, Flash, Shockwave, Java applet. Kailangan mo ang mga ito para talagang patakbuhin ang inihain ng mga lumang site.
• cd-rom software library, mga shareware disc na puno ng mga site builder, counter, at guestbook script na akma sa panahon.

Magsimula mula sa collection page, hindi sa search box. Karaniwang ini-document ng mga maintainer kung ano ang nasa loob, kung paano ito na-crawl, at kung ano ang ibig sabihin ng file layout, konteksto na nag-aakalva sa iyo mula sa paghuhula ng 2 a.m.

Archive.org Website vs. Wayback Machine: Aling Pinto ang Gagawin

Rule of thumb: kung maaari mong pangalanan ang URL, magsimula sa Wayback Machine. Kung mailalarawan mo lang ang bagay, ang phpBB theme na ginamit ng lahat noong 2007, panalo ang item search. Para sa isang buong restore, karaniwang nagtatapos kang gumagamit ng pareho: mga crawl at CDX data mula sa item side, mga snapshot ng page mula sa Wayback side.

Isang Tunay na Workflow: Paghahanap sa Patay na Forum ng Isang Kliyente

Konkreto na kaso. Ang 2009 phpBB forum ng isang kliyente ay nawala nang bumagsak ang host noong 2014. Ang domain ay nanatiling naka-park nang mahabang panahon; gustong ibalik ng kliyente ang nilalaman. Ito ang sequence na gumana:

1. Wayback CDX query sa domain para i-map kung anong mga URL ang nakuha at kailan, mga 1,400 na capture, karamihan mula 2010 hanggang 2012.
2. Item search para sa domain at pangalan ng site sa loob ng collection:archiveteam, walang nahanap na pagkakataong ito, ngunit ito ay thirty-second na check.
3. Collection check sa lumang host, ang host mismo ay bahagyang nakuha ng Archive Team, na pumuno sa ilang template at image gap.
4. Year-filtered na paghahanap sa software ng forum para kumuha ng era-correct na phpBB package para sa reference.

Kabuuang oras: mga apatnapung minuto, karamihan ay nagbabasa ng CDX output. Ang paghahanap ay ang madaling bahagi kapag alam mo na ang mga pinto. Pansinin kung ano ang hindi nangyari: walang paghuhula sa Google cache, walang pagmamakaawa sa support inbox ng lumang host, walang pagbabayad sa sinuman pa. Sinabi ng archive sa amin kung ano ang eksaktong nakaligtas, 1,400 na capture, isang kilalang gap noong 2013, at isang partial rescue crawl para i-patch ito. Ang parehong CDX data na iyan ay ang binabasa ng Restorix estimate para bilangin ang mga file at mag-presyo ng isang restore, kung saan nagpapatuloy ang kuwentong ito sa ibaba.

Kulang ang Archive.org Website

Ang lahat ng nasa itaas ay nakakahanap ng materyal. Hindi ka nito binibigyan ng gumaganang website. Ang mga Wayback snapshot ay may kasamang mga nirewrite na URL, nawawalang larawan, patay na form, at mga absolute link na tumuturo sa isang domain na hindi mo na kontrol. Ang pag-rebuild ng isang site mula sa mga raw capture nang manu-mano ay mga araw ng mga sed script at pagsisisi.

Ang kakulangang iyan ay eksaktong dahilan kung bakit ginawa ang Restorix. I-paste ang URL, at ipinapakita ng libreng estimate ang eksaktong bilang ng na-archive na file, kabuuang laki, at naka-lock na presyo bago ka magbayad ng kahit ano. Maaaring tanggalin ng mga restore ang analytics at ads, i-convert ang mga link sa relative, pilitin ang HTTPS, at i-deploy diretso sa iyong VPS, FTP hosting, o S3, na may kasamang single-file CMS para ma-edit mo ang binuhay na nilalaman.

Gamitin ang Archive.org website para mag-scout: i-verify kung ano ang umiral, kailan, at gaano karami ang nakaligtas. Pagkatapos hayaang gawin ng tooling ang reconstruction. Ang iyong oras ay mas mahalaga kaysa isang weekend ng WARC parsing.