Ibalik ang Website mula sa Archive.org: DIY o Gawin-na-lang?

May dalawang paraan para maibalik ang patay na site mula sa Archive.org. Puwede kang gumugol ng isang weekend na pakikipaglaban sa wget at manu-manong mag-rewrite ng mga link, o puwede kang magbayad kada file at hayaang ma-deploy ang nalinis na site sa iyong hosting habang gumagawa ka ng ibang bagay. Parehong lehitimo. May masasabihan ang bawat isa na mali ang isa pa.

Ginawa ko na ang dalawa, mula sa ten-page portfolio hanggang sa phpBB forum noong 2009 na may 4,000 attachments. Narito ang tapat na breakdown, kung magkano ang bawat ruta, saan nabibigo ang bawat isa, at isang decision framework na hindi nag-aakala na walang halaga ang iyong oras.

Ano ang talagang makukuha mo kapag bumalik ka ng website mula sa Archive.org

Itakda muna ang mga inaasahan, dahil ang archive ay hindi isang backup. Ang Wayback Machine ay nag-iimbak ng kahit anong nakita ng crawler nito: mga HTML page, pati na rin ang mga larawan, CSS, at JavaScript nang sila ay pampubliko at ma-crawl. Marami iyon, madalas ang buong nakikitang site.

Ang hindi nito iniimbak: anumang nasa likod ng login, form handlers, mga database, search indexes, at karaniwang anumang JavaScript na nagre-render sa runtime sa mga bagong site. Ang naibalik na WordPress site ay bumabalik bilang mga static page, hindi WordPress. Ang naibalik na store ay bumabalik na walang gumaganang cart. Anuman ang ruta na pipiliin mo, ang ceiling na ito ay umiiral, ang gawin-na-lang na serbisyo ay nagbababalik ng parehong mga file na iyong ibabalikin, mas mabilis at mas malinis lang.

Isa pang inaasahan na itakda: ang mga capture ay hindi garantiya. Maaaring nakuha ng crawler ang HTML ng isang page pero nilaktawan ang hero image noong araw na iyon, o nag-imbak ng redirect imbis na ang page. Lumalabnaw din ang coverage sa mga site na nag-block sa archiving o nasa likod ng matinding bot protection. Para sa karamihan ng mga site na pampubliko at naka-link, gayunpaman, medyo malalim ang archive, ang mga uri ng page na nakalimutan mong umiiral ay babalik.

Ang DIY ruta, hakbang-hakbang

Ang DIY toolchain ay libre at gumagana nito. Para sa isang maliit, mostly static na site, ito ay isang mainam na weekend project:

1. Hanapin ang iyong mga snapshot: gamitin ang Wayback Machine calendar o ang CDX API para ilista ang bawat nakuha na URL para sa domain.
2. Bulk-download: patakbuhin ang tool tulad ng wayback-machine-downloader o wget na may mirror flags laban sa iyong piniling date range. Nasasakop ng aming gabay sa kung paano mag-download ng website mula sa Archive.org ang mga commands.
3. Linisin ang markup: alisin ang injected toolbar code ng archive at i-rewrite ang mga URL na may prefix na web.archive.org patungo sa relative links.
4. Hanapin ang nawawalang assets: ang mga larawan at file na nilaktawan ng crawler ay kailangang mahanap sa iba o gawin muli.
5. Subukan nang lokal, saka i-upload sa iyong hosting at ayusin ang anumang masira sa paglipat, karaniwang mga absolute URL at HTTPS mixed-content warnings.

Mag-budget ng 10 hanggang 15 minuto kada page all-in para sa manu-manong trabaho, mas kaunti kung magandang tooling. Ang isang 30-page site ay isang hapon. Ang isang 300-page site ay isang buwang gabi.

Saan nabibigo ang mga DIY restore

Ang pag-download ay ang madaling bahagi. Ang cleanup ang dahilan kung bakit namamatay ang mga weekend.

• Link surgery: ang bawat href at src ay tumuturo sa web.archive.org. Ang pag-rewrite sa mga ito ay mukhang simple hanggang sa makaharap ka ng query strings, encoded URLs, at mga link na nakabaon sa loob ng JavaScript.
• Nawawalang larawan: ang image coverage ng crawler ay hindi pantay-pantay, lalo na pagkatapos ng 2015. Nadi-discover mo ito isa-isang sirang thumbnail.
• Tahimik na mga puwang: ang mga page na nakalimutan mong umiiral, lumang landing pages, tag archives, ay nananatiling patay maliban kung na-enumerate mo muna ang bawat URL.
• Charset mangles: ang lumang site na naka-encode sa Latin-1 ay bumabalik na may garbled characters kapag in-assume ng iyong tooling na UTF-8.
• Ang 80% trap: ang unang 80% ng site ay tumatagal ng 20% ng oras. Ang huling 20%, mga weird na template, frames, Flash-era pages, ang tumatagal ng natitira. Ang isang WooCommerce store ng isang kliyente na nakita kong na-quote bilang mabilis na trabaho ay tumagal ng anim na linggong gabi ng may-ari, at ang category pagination ay hindi kailanman gumana nang tama.

Pansinin kung ano ang wala sa listahang iyon: ang mismong pag-download. Ang pagkuha ng mga file ay isang naresolbang problema. Ang bawat kwento ng pagkabigo sa DIY na narinig ko, at marami na akong narinig, ay nagsisimula sa isang tao na na-underestimate ang cleanup, hindi ang pag-download.

Ibalik ang website mula sa Archive.org sa paraang gawin-na-lang

Umiiral ang gawin-na-lang na tooling dahil ang cleanup ay maaaring i-automate at ang pag-download ay hindi kailanman ang produkto, ang cleanup ang produkto. Restorix ang nagpapatakbo ng restore para sa iyo: pipiliin mo ang domain at date range, at kukunin nito ang mga archived file, ire-rewrite ang mga link, aalisin ang anumang sabihin mong alisin, at i-deploy ang resulta.

Ang mga detalyeng mahalaga: libre ang estimate at ipinapakita ang eksaktong archived file count, kabuuang laki, at naka-lock na presyo bago ka magbayad ng kahit ano, nagbabayad ka kada naibalik na file plus maliit na flat fee, libre ang unang file. Ang mga restore option ay sumasakop sa mga nakaka-pagod na bahagi: alisin ang analytics, ads, iframes, at external links; i-minify ang JS at CSS; gawing relative ang mga internal links; canonicalize sa www o non-www; panatilihin ang 301 at 302 redirects; i-convert ang lahat sa HTTPS.

Ang deploy ay isang click patungo sa SSH o SFTP servers, FTP o FTPS shared hosting, o S3, at ang kasamang single-file CMS na webarchive-cms.php ay nangangahulugang nananatiling editable ang naibalik na site, mga edit sa content, search and replace, at file manager, na may per-site admin password at safe mode na naka-on bilang default. Kung ang isang restore o deploy ay mabigo, ang refund sa iyong balance ay awtomatiko. Ang mga top-up ay one-time; walang subscription na makakalimutan mong kanselahin.

DIY vs gawin-na-lang: ang tapat na paghahambing

Dalawang row ang karapat-dapat bigyan ng diin. Ang time row ay hindi linear, tumataas ang DIY cost kada page habang ang mga site ay lumalaki at lumalala. At ang risk row ang hindi pinapansin ng mga tao: ang nabigong DIY restore ay nagbabayad sa iyo ng mga oras, ang nabigong service restore ay hindi nagbabayad ng kahit ano.

Paano magpasya kung aling ruta ang bagay sa iyo

Kalimutan ang ideolohiya. Ang desisyon ay aritmetika plus isang tapat na tanong tungkol sa iyong sarili.

• Sa ilalim ng 30 page, static, at nag-eenjoy ka ng ganitong klaseng tinkering: DIY. Ito ay isang kasiya-siyang proyekto at tunay na libre.
• Mahigit sa 100 page, o anumang site na mabigat sa assets: gawin-na-lang. Ang per-page time math ay tumitigil sa pabor ng DIY nang mabilis.
• Trabaho para sa kliyente o anumang deadline: gawin-na-lang. Ang naka-lock na presyo at unattended na trabaho ay lumalampas sa optimistic na tantya ng iyong sariling mga gabi.
• Ang iyong hourly rate na beses sa mga DIY oras ay lumalampas sa naka-lock na tantya: gawin-na-lang. Patakbuhin ang aktuwal na mga numero, sistematikong na-lowball ng mga tao ang kanilang sariling oras.
• Nais mong matutunan kung paano gumagana ang archive: DIY muna ang isang maliit na site. Ang kaalaman ay naililipat, at gagamitin mo ang gawin-na-lang na tooling na may mas magandang paghuhusga magpakailanman.

Ang hybrid play ay underrated: DIY ang pag-download sa isang maliit na site para maunawaan ang proseso, saka magbayad para sa restore kapag mahalaga na ang site. At kahit ang mga dedikadong DIYers ay dapat magpatakbo ng libreng estimate, ang pag-alam sa tunay na archived file count ay nagsasabi sa iyo nang maaga kung ang iyong weekend na plano ay dalawang oras o dalawampu.

Mga unang hakbang para ibalik ang iyong website mula sa Archive.org, anuman ang ruta na pipiliin mo

1. Kumpirmahin ang coverage: hanapin ang date range kung saan mukhang kumpleto ang site at ang mga key page ay may mga snapshot.
2. Pumili ng iyong target date: ang pinakamagandang panahon, hindi kinakailangang ang pinakabago.
3. Bilangin ang tunay na saklaw: patakbuhin ang isang libreng estimate para makuha ang eksaktong archived file count at kabuuang laki.
4. Pumili ng iyong ruta gamit ang framework sa itaas.
5. Ayusin ang hosting: anumang shared host o VPS ay gumagana; ang gawin-na-lang na deploy ay direktang humahawak ng SSH, SFTP, FTP, at S3.
6. Pagkatapos ng restore, i-click ang bawat uri ng page nang isang beses at ayusin ang mga patay na form bago mo itong tapusin. Ang tutorial ay naglalakad sa buong proseso.