Wayback Machine vs Google: Hanapin ang Nawawalang Pahina Matapos ang Cache

Sa loob ng dalawampung taon, ang pinakamabilis na paraan para makakita ng pahinang bagong bumagsak lang ay ang Cached link ng Google. Noong Pebrero 2024, tanggal ito ng Google, at pagsapit ng Setyembre ay hindi na gumagana ang cache: search operator. Sa parehong taon, gumawa ng hindi inaasahang hakbang ang Google: nagsimula itong mag-link sa Internet Archive's Wayback Machine mula sa About this result panel nito. Malinaw ang mensahe, Google ay isang live na index, hindi archive, at tapos na ito sa pagpapanggap na iba.

Pero mas maganda pa rin ang dalawang tool kapag ginamit nang magkasama. Narito kung paano ko pinagsasama ang mga ito kapag nawala ang isang pahina o buong site, kasama ang mga operator tricks na nakaligtas sa paglilinis.

Wayback Machine vs Google: dalawang magkaibang uri ng memorya

Pinapanatili ng Google ang isang index ng live na web. Patuloy itong nagre-recrawl, nag-aayos ng rankings kada oras, at ang buong layunin nito ay sumagot ng kung ano ang totoo ngayon. Kapag nagbago ang pahina, itinatapon ang lumang bersyon sa susunod na crawl. Kapag nawala ang pahina, sandali lang itong mananatili sa listahan tapos mawawala na.

Ang Wayback Machine naman ay kabaligtaran. Ito ay isang append-only na library ng mga capture na umaabot pabalik sa 1996, mahigit 900 bilyong pahina. Hindi ito nag-aalala kung ano ang relevant ngayong linggo; nag-aalala ito kung ano ang sinabi ng pahina noong March 12, 2014, at ipapakita niya sa iyo ang eksaktong bersyon na iyon, chrome at lahat.

Kaya ang dalawang tool ay sumasagot sa magkaibang tanong. Google: ano ang nasa pahinang ito ngayon? Wayback: ano ang dating sinabi ng pahinang ito? Ang pagkalito sa dalawa ang dahilan kung bakit maraming akalaing may memorya ang web na wala naman talaga ito.

Anong nangyari sa Google Cache

Sa loob ng dalawang dekada, bawat resulta ng Google ay may nakatagong Cached link, isang snapshot ng pahina kung paanong huling nakita ito ng Googlebot. Ito ang standard na solusyon kapag nag-404 ang isang pahina limang minuto bago ang meeting. Noong Pebrero 2024, inanunsyo ng Google's Search Liaison Danny Sullivan na aalisin na ang link, na nangangatwiran na umunlad na ang reliability ng pahina at bumaba na ang paggamit. Pagsapit ng Setyembre 2024, hindi na gumagana ang cache: search operator.

Dalawang bagay ang mahalaga sa timing. Una, hindi naging archive ang cache: isang bersyon lang ang hawak nito, ang pinakabagong crawl, at patuloy itong ino-overwrite. Ang nawala sa atin dito ay ang use case ng bago lang binura ng umaga, hindi anumang historical. Pangalawa, sa parehong buwan na namatay ang cache, nagdagdag ang Google ng mga link sa Wayback Machine sa loob ng About this result panel nito. I-click ang tatlong tuldok sa tabi ng anumang resulta, piliin ang More about this page, at ihahatid ka ng Google sa mga capture ng Internet Archive. Opisyal na itinuro ng Google ang mga user sa tool na talagang gumagawa ng trabaho.

Para sa mga bago lang na-takedown, mas kaunti na ngayon ang options: madalas ni-crawl ng Wayback ang mga sikat na pahina, on-demand nagse-save ng pahina ang archive.today, at ang Google snippets mismo ay mananatili sa resulta ng ilang araw pagkatay ng pahina. Madalas ay sapat na ito. Halos.

Gamitin ang Google para maghanap sa index ng Wayback Machine

May beta full-text search ang Wayback Machine, pero hindi ito consistent. Ang workaround na hindi pinag-uusapan ng kahit sino: nag-i-index ang Google ng isang slice ng web.archive.org mismo, at magaling na maghanap ang Google.

Simpleng-simpleng pattern: site:web.archive.org/web kasabay ang isang domain, title, o, pinakamahusay, isang phrase na naalala mo verbatim. Kapag hinanap mo ang site:web.archive.org "we regret to inform you" kasabay ng isang brand name, lalabas ang mga archived discontinuation notice na hindi mahahanap ng sariling search ng Wayback. Mga archived press release, naburang apology post, lumang documentation: lahat pwedeng paglaruan.

Itakma ang inaasahan. Na-index lang ng Google ang bahagyang bahagi ng mga capture ng archive, karamihan sa 900 bilyong pahinang iyon ay invisible sa kanya. Ang zero-result search ay hindi nagpapatunay ng kahit ano; ibig sabihin nito ay wala sa slice ng archive na na-index ng Google, hindi na hindi naka-archive. Ituring ang Google bilang isang discovery layer at ang sariling calendar ng Wayback bilang source of truth.

Mga trik sa site: operator gamit ang Google at Wayback Machine

Ito ang mga query na talagang tinatakbo ko, halos sa pagkakasunud-sunod:

1. site:example.com, ang pinakamabilis na inventory kung ano pa rin ang alam ng Google tungkol sa isang namamatay na site. Mananatili ang snippets ng ilang araw o linggo kahit na 404 na mismo ang mga pahina.
2. site:example.com inurl:blog (o /products/, /docs/), hinahati ang malaking domain sa mga seksyon para mapatungan mo ang coverage bawat area.
3. site:example.com filetype:pdf, mga lumang whitepaper, manual, at spec sheet. Bawat patay na PDF URL ay diretso sa Wayback bar.
4. "exact phrase from the deleted page", ang quoted searches ay nakakahanap ng scraper copies, forum quotes, at mirrors. Kapag mas distinctive ang phrase, mas maganda.
5. before:2019-01-01, ang before: at after: operators ay nagbabias ng resulta patungo sa era na pinapahalagahan mo.
6. site:web.archive.org/web "example.com", diretso sa mga capture na na-index ng Google.

Kapag may URL ka na, dalawang shortcut ang makakatipid ng oras. I-paste ito sa Wayback gamit ang web.archive.org/web/2/ na sinusundan ng address, ang 2 ay magre-redirect sa pinakamalapit na capture sa panahong iyon. O gamitin ang availability API: archive.org/wayback/available?url=example.com/old-page ay magbabalik ng pinakamalapit na snapshot bilang malinis na JSON, na eksaktong kailangan mo sa loob ng scripts.

Kailan panalo ang Google at kailan panalo ang Wayback Machine

Isang mabilis na decision table:

Ang shorthand: ang Google ang nakakahanap ng karayom; ang Wayback ang nag-iimbak ng dayami. Kung kailangan mo ang buong URL inventory sa halip na isang pahina lang, ang CDX route ay detalyadong tinalakay sa guide sa finding all pages on a website.

Isang halimbawa: paghahanap sa isang patay na 2012 product page

Totoong senaryo mula noong nakaraang spring. Ang WooCommerce store ng isang client ay pumalit sa kanilang lumang Joomla site ilang taon na ang nakalipas; kailangan ng isang reseller ang spec sheet para sa isang discontinued part, at ang sariling backup ng client ay, sa sarili nilang salita, nasa isang drive kahit saan.

1. Tinakbo ko ang site:clientdomain.com filetype:pdf at site:clientdomain.com inurl:products. Walang laman ang live site, pero isang lingering snippet ang nagbunyag sa lumang Joomla URL pattern, index.php na may article ID.
2. I-paste ang domain sa Wayback Machine at tumalon sa 2012 captures gamit ang calendar sparkline.
3. Nag-drill mula sa homepage capture papunta sa products section. May sira na images ang unang capture; apat na buwan ang lumipas, kumpleto na ang capture, naka-link at buhay ang PDF.
4. Nag-cross-check sa archive.today para sa ilang pahinang hindi na-capture ng Wayback.

Kabuuang oras: mga sampung minuto. Kung wala ang operator tricks, isang gabi ng mga patay na dulo ito. Simple lang ang mga hakbang; ang pag-alam kung aling tool ang sumasagot sa aling tanong ang buong skill.

Isang detalye na dapat tandaan mula sa trabahong iyon: ang sira na images sa unang capture ay hindi nawala, asynchronous lang. Iba-iba oras na ni-crawl ng Wayback ang mga pahina at assets nito, kaya ang pahinang na-capture noong March ay maaaring mag-reference ng images na na-capture noong June. Kapag mukhang kalahati lang ang laman ng isang capture, huwag sumuko, tumalon pabalik o pasulong ng ilang buwan at karaniwang mapupunan ang mga nawawalang piraso. Kapareho rin ng Google snippets ang staggered freshness na ito, kaya ang isang snippet ay maaaring mag-quote ng paragraph na wala na sa kasalukuyang pahina.

Mula sa mga nahanap na pahina patungo sa isang gumaganang website muli

Ang paghahanap ng mga pahina ay ang masaya. Ang pag-rebuild ng site mula sa mga capture ay hindi: right-click save-as, rename assets, repair paths, at sa page forty ay matutuklasan mo na nasa ibang capture date pala ang stylesheet. Nakita ko nang mapagod ang mga tao ng buong weekend sa isang fifteen-page site.

Iyan ang problemang ina-automate ng website restore service. Basahin ng libreng estimate ang CDX index ng Wayback at sasabihin sa iyo ang eksaktong archived file count, total size, at locked price bago ka magbayad ng kahit ano. Pay-per-file ang restores na may unang file na libre, pwede mong tanggalin ang analytics at ad code ng kapanahunang iyon, at ang rebuilt site ay magde-deploy sa sarili mong hosting sa isang click, o mag-e-export bilang structured data kung mas gusto mong mag-self-host. Kapag ipinakita na sa iyo ng Google at Wayback Machine kung ano ang nag-exist, ganito mo ito mababalik.