Ang Makasaysayang Web bilang Yaman ng Pananaliksik: Ano ang Tumatagal

Ilang taon na ang nakalipas, isang kumpanya ang nagkasundo sa isang marahas na pag-aaway sa trademark gamit ang isang piraso lamang ng ebidensya: ang sinabi ng kanilang sariling homepage noong 2003. Implied ng kabilang panig na gawa-gawa ang screenshot. Gumuho ang argumentong iyon sandali lamang matapos ipakita ng nagreklamo ang katugmang Wayback Machine capture, kumpleto sa crawl timestamp at sworn affidavit mula sa Internet Archive. Tapos na ang kaso. Iyon ang makasaysayang web na ginagawa ang trabaho nito.

Hinuhugot ng mga mananaliksik ang mga lumang pahina para sa mga sitasyon. Hinuhugot ito ng mga mamamahayag para mahuli ang mga tahimik na pagbura. Hinuhugot ito ng mga abogado para patunayan ang sinabi ng isang kontrata, storefront, o pahayag sa publiko sa isang partikular na araw. Nandoon ang lahat ng materyal, daan-daang bilyong captures ang lalim, ngunit kailangan ng pag-iingat upang magamit ito nang tama. May mga puwang ang mga archive, may mga kapilyuhan ang mga capture, at hindi lahat ng timestamp ay nangangahulugan ng inaakala mo.

Ano Talaga ang Makasaysayang Web

Ang makasaysayang web ay hindi isang recording ng internet. Ito ay isang malaking tumpok ng mga still photograph. Binibisita ng mga crawler ang isang URL, nagse-save ng anumang ibinibigay ng server, at nagpapatuloy. Mga linggo o buwan ang lumipas ay babalik sila at gagawin itong muli. Ang iyong binabasa sa web.archive.org ay ang tumpok na iyon, na inayos ayon sa URL at petsa, umaabot pabalik sa 1996.

Ang Wayback Machine ng Internet Archive ay ang pinakamalaking pinagmulan sa ngayon, ngunit hindi ito ang nag-iisa. Naglalathala ang Common Crawl ng raw crawl data para sa bulk research. Gumagawa ang archive.today ng on-demand snapshots ng mga indibidwal na pahina. Ang Perma.cc, na pinamamahalaan ng isang librarya sa Harvard, ay umiiral upang makakuha ang mga korte at journal ng mga sitasyon na hindi mabubulok. Nagpapatakbo ang mga pambansang librarya ng sarili nilang mga koleksyon sa ilalim ng legal-deposit rules, at ang ilan sa mga koleksyong ito ay napakalaki.

Dalawang implikasyon ang sumusunod. Una, lumpy ang coverage: maaaring may libo-libong captures ang isang sikat na homepage habang tatlo lamang ang isang hindi kilalang panloob na pahina. Pangalawa, bawat capture ay isang sample na kinuha sa oras ng crawl. Ito ay hindi ang live na pahina, at hindi kinakailangang ganito ang itsura ng pahina para sa anumang bisitang tao.

Sino ang Gumagamit ng Makasaysayang Web, at Bakit

Apat na grupo ang gumagawa ng karamihan sa mabibigat na gawain, at bawat isa ay may kaunting ibang gusto mula sa parehong tumpok ng mga snapshot.

• Mga akademiko. Patuloy na natutuklasan ng mga pag-aaral sa sitasyon na isang nakakalungkot na bahagi ng mga link sa mga nai-publish na papel ay namamatay sa loob ng ilang taon, may sariling pangalan ang phenomenon na ito, reference rot. Ngayon ay naka-archive na ng mga iskolar ang mga pinagmulan bago i-cite, at marami ang nag-aaral sa makasaysayang web mismo bilang isang dataset.
• Mga mamamahayag. Mga tinanggal na press release, mga tahimik na in-edit na pahayag, mga claim sa produkto na nawawala pagkatapos ng isang recall. Tinitingnan ng mga beat reporter ang archive tulad ng pagtingin nila sa mga public filing.
• Mga abogado at paralegal. Unang paggamit ng trademark, paninirang-puri, mga lumang terms of service, ang ipinangako ng isang product page bago ang pinsala. Patuloy na lumalabas ang mga naka-archive na pahina sa mga pag-aaway.
• Mga may-ari ng site at mga SEO. Pag-recover sa isang patay na site, pag-audit sa isang domain bago bilhin, pagtingin kung ano ang itsura ng funnel ng kalaban tatlong redesign ang nakalipas.

Paghusga sa Kalidad ng Pagpapanatili Bago Ka Magtiwala sa isang Capture

Hindi lahat ng captures ay pantay. Ang isang 2015 capture ng isang balita ay maaaring ang buong pahina kasama ang mga litrato. Ang isang 2018 capture ng parehong URL ay maaaring isang simpleng HTML skeleton, dahil lumipat ang site sa isang JavaScript framework na nagre-render ng content sa client-side at nag-save ang crawler ng shell ngunit hindi ang data. Buksan ang capture at tingnan ito bago mo i-cite. Palagi.

1. Naglo-load ba ang mga imahe? Ang mga nawawalang litrato ay nangangahulugang nakuha ng crawler ang HTML ngunit hindi ang assets, o naka-block ang assets.
2. May estilo ba ang pahina? Ang isang pahinang walang estilo ay nangangahulugang nawawala ang CSS, na karaniwang nangangahulugang hindi kumpleto ang capture.
3. Nagre-resolve ba ang mga internal link sa iba pang naka-archive na pahina? Mag-click ng dalawa o tatlo. Ang mga dead end ay nagpapahiwatig na mababaw ang crawl.
4. Suriin ang kalendaryo sa paligid ng iyong petsa. Ang mga taon na kakaunti ang capture malapit sa iyong snapshot ay nagpapataas ng posibilidad ng isang manipis na capture.
5. Hanapin ang naka-embed na third-party content, mga tweet, video, iframe, mapa. Ito ay mga hiwalay na URL na may mga hiwalay na captures, at sila ang unang nawawala.

Isa pang subtlety: temporal coherence. Pinagsasama-sama ng archive ang isang pahina mula sa pinakamalapit na capture ng bawat file, at ang mga file na ito ay maaaring magkakalayo ng ilang araw o linggo. Ang HTML ay maaaring mula sa March 4 habang ang hero image ay mula sa February 19. Para sa karamihan ng pananaliksik ay ayos lang iyon. Para sa ebidensya, tandaan ang per-file timestamps kapag mahalaga ito, mababasa mo ang mga ito sa URL ng bawat loaded resource.

Ang Makasaysayang Web bilang Legal na Ebidensya

Mga taon na rin na tumatanggap ang mga korte sa US at iba pang lugar ng mga naka-archive na captures, at ang proseso ay pamilyar na. Ang karaniwang ruta ay authentication: nagbibigay ang Internet Archive, sa bayad, ng sworn affidavit para i-authenticate ang mga partikular na captures, na isang standard practice na kinikilala ng mga hukom. Bilang alternatibo, maaaring mag-authenticate ng printout ang isang testigo na may personal na kaalaman sa pahina.

• Trademark at trade dress: pagpapatunay sa unang paggamit sa commerce, o na lumitaw ang isang marka sa isang partikular na anyo.
• Paninirang-puri: ang sinabi ng pahayag, kailan ito nai-publish, at kailan ito ibinaba.
• Mga pag-aaway sa kontrata: aling bersyon ng terms of service ang nai-post sa araw na nag-sign up ang user.
• Copyright: mga naunang petsa ng pag-publish at ang estado ng isang pahina sa isang partikular na sandali.

Ipinapakita ng archive ang natanggap ng crawler, hindi kinakailangang nakita ng customer. Ang geo-targeted pricing, A/B tests, at personalized pages ay halos hindi nakikita nito, bagay na dapat tandaan bago magpirmahan ng sinuman ng affidavit.

Ituring ang mga opposing captures na may parehong pagdududa na gusto mong ilapat sa sa iyo. Kung ang isang capture ang buong kaso, i-corroborate ito: isang pangalawang archive, contemporaneous screenshots, server logs, email. Gusto ng mga hukom ang converging evidence, at dapat ikaw din.

Mga Karaniwang Trap Kapag Nagci-cite ng Naka-archive na Pahina

1. Pag-link sa isang capture nang hindi muna binubuksan. Kadalasan, ang kalahating kailangan mo ay ang kalahating nawawala.
2. Pagkalito sa petsa ng capture sa petsa ng content. Sinasabi ng timestamp kailan bumisita ang crawler, hindi kailan isinulat ang text.
3. Pagsunod sa isang redirect capture nang hindi napapansin. Ang redirect status ay nangangahulugang ipinadala ang crawler sa ibang lugar; ang content na gusto mo ay maaaring nasa ibang URL.
4. Pagsisitasyon sa isang archive lamang. Mag-save ng perma.cc link o PDF printout kasabay nito, maaaring tanggalin ang mga capture kapag hiningi.
5. Assuming na nai-capture ang buong site. Ang isang homepage capture ay nagpapatunay na umiral ang homepage. Wala nang iba.

Mga Removal, Robots.txt, at Iba Pang Paraan Para Mawala ang mga Pahina

Iginagalang ng Wayback Machine ang mga hiling sa exclusion at removal. Maaaring humiling ang isang may-ari ng site sa Internet Archive na itigil ang pag-archive sa isang domain, at maaaring maging hindi available ang mga historical captures. Pinigilan ng robots.txt blocks nang buong-buo ang mga crawler sa loob ng maraming taon, kaya maaaring may butas ang isang site na may mahigpit na robots file sa mismong lugar na dapat may kasaysayan.

Praktikal na resulta: kung mahalaga sa iyo ang isang capture, gumawa ng sarili mong record sa araw na ito'y matagpuan mo. I-screenshot ang buong pahina, mag-save ng PDF, isulat ang eksaktong capture URL at timestamp. Matibay ang mga archive ngunit hindi imortal, at ang mga pag-aaway ay may pagkakataong magpapawala ng mga partikular na pahina sa pinakamasamang sandali.

Mula sa Makasaysayang Web Pabalik sa isang Tumatakbong Site

Minsan ang pananaliksik ay nagtatapos sa isang desisyon: gusto mong ibalik ang site. Ang sarili mong lumang site, ng kliyente, o isang domain na binili mo na may kasamang dekada ng content. Ang copy-paste ng mga pahina mula sa archive ay gumagana para sa limang pahina. Hindi ito gumagana para sa limang libo.

Iyon ang puwang na kinakasyahan ng aming serbisyo. Ido-download nito ang naka-archive na kopya ng isang site nang file by file, HTML, images, stylesheets, PDFs, at muling itinatayo ito bilang isang tumatakbong website. Ipapakita ng free estimate ang eksaktong bilang ng naka-archive na file, kabuuang laki, at locked price bago ka magbayad ng anuman, at nagbabayad ka per restored file kung saan ang unang file ay libre.

Para sa mga mananaliksik, dalawang restore options ang tahimik na kapakipakinabang kahit hindi na bumalik online ang site: structured article export (XML, CSV, o JSON) at isang buong file manifest sa JSON o SQLite. Idirekta mo ang tool sa archive ng isang patay na publication at makakakuha ka ng dataset sa halip na folder ng HTML. Dinadaan ng tutorial sa iyo ang buong proseso.