Wayback Machine: Panduan Lengkap Menelusuri Sejarah Web

Wayback Machine sudah berkali-kali menyelamatkan saya. Toko WooCommerce klien terhapus karena pembaruan plugin yang bermasalah. Halaman harga pesaing dari tahun 2019, diperlukan untuk sengketa kontrak. Versi asli artikel yang diam-diam ditulis ulang setelah dikutip dalam gugatan. Ini adalah memori web, dan gratis untuk digunakan. Namun kebanyakan orang hanya menyentuh kotak pencarian di beranda dan melewatkan semuanya. Panduan ini mencakup cara kerja arsip yang sebenarnya, setiap trik pencarian yang layak diketahui, kelemahannya, dan apa yang harus dilakukan saat menjelajahi snapshot tidak cukup dan Anda membutuhkan situs itu sendiri kembali.

Apa Sebenarnya Wayback Machine Itu

Wayback Machine adalah arsip publik gratis halaman web, dikelola oleh Internet Archive, perpustakaan digital nirlaba yang berbasis di San Francisco. Brewster Kahle mendirikan organisasi ini pada tahun 1996, dan Wayback Machine dibuka untuk publik pada tahun 2001. Nama ini merujuk pada mesin WABAC, alat perjalanan waktu dari kartun tahun 1960-an Peabody's Improbable History, itulah mengapa banyak orang keliru mengingatnya sebagai 'the way back machine'.

Koleksinya telah melampaui 900 miliar halaman web yang diarsipkan dan terus bertambah lebih dari satu miliar halaman per minggu. Selain halaman web, Internet Archive menyimpan buku hasil pemindaian, berita TV, audio, dan perangkat lunak lama yang bisa dijalankan di browser. Menjelajah gratis dan tanpa perlu akun.

Satu perbedaan penting sebelum melangkah lebih jauh: Wayback Machine mengarsipkan halaman, bukan situs. Setiap snapshot adalah satu URL yang ditangkap pada satu momen. Tidak ada objek 'seluruh situs, Maret 2015' yang disimpan di rak, hanya ribuan tangkapan halaman individu yang kebetulan berbagi domain. Ingatlah hal itu, karena itu menjelaskan hampir setiap keanehan yang akan Anda temui nanti.

Bagaimana Crawl dan Snapshot Bekerja

Arsip dibangun oleh crawler. Pada tahun-tahun awalnya, Internet Archive mengandalkan data crawl dari Alexa Internet, perusahaan analitik web yang ikut didirikan Kahle; saat ini ia menjalankan operasi crawler sendiri, ditambah crawl dari mitra dan jutaan penyimpanan manual dari pengguna. Crawler meminta URL, menyimpan HTML yang diterima, lalu mengambil aset yang dirujuk HTML tersebut, gambar, stylesheet, skrip, masing-masing disimpan sebagai file sendiri.

Detail terakhir itu menjelaskan kebingungan yang paling umum. Snapshot bukanlah folder yang dibekukan dalam waktu. HTML halaman mungkin dari 3 Maret, sedangkan stylesheet-nya dari 9 Maret dan gambar hero dari 20 Februari. Ketika semuanya cocok, halaman akan ditampilkan dengan baik. Jika tidak, Anda mendapatkan snapshot rusak klasik: teks utuh, tata letak berantakan, kotak abu-abu di tempat foto seharusnya.

Seberapa sering halaman di-crawl

Tidak ada jadwal yang bisa diandalkan. Frekuensi crawl mengikuti popularitas: beranda surat kabar besar ditangkap ribuan kali sehari, sementara forum phpBB tahun 2009 mungkin muncul dua kali dalam satu dekade. Jika suatu halaman penting bagi Anda, jangan tunggu crawler peduli, simpan sendiri, trik yang dibahas beberapa bagian ke bawah.

Apa yang bisa menghalangi crawl

Crawler mematuhi robots.txt, dan pengecualian dapat berlaku secara retroaktif: situs yang menerapkan disallow menyeluruh pada domainnya dapat membuat seluruh riwayat tangkapannya offline hingga blokir dicabut. Pemilik situs juga dapat meminta Internet Archive secara langsung untuk mengecualikan konten mereka. Halaman di balik login dan paywall tidak pernah di-crawl sejak awal.

Membaca Kalender dan Linimasa

Cari URL dan Anda akan sampai pada tampilan kalender. Dua instrumen melakukan semua pekerjaan. Grafik batang di atas menunjukkan tangkapan per tahun, cara cepat untuk melihat kapan suatu situs aktif, kapan sibuk, dan kapan mati. Kalender di bawah menandai setiap hari yang ditangkap dari tahun yang dipilih.

• Lingkaran biru: tangkapan normal yang mengembalikan 200 OK.
• Lingkaran hijau: tangkapan adalah redirect. Crawler mengikutinya, jadi periksa ke mana arahnya.
• Tanda merah: respons error, biasanya 404 atau 500. Jarang layak dibuka.
• Lingkaran lebih besar: lebih banyak tangkapan pada hari itu. Arahkan kursor ke hari untuk waktu yang tepat, klik stempel waktu untuk membukanya.

Buka snapshot dan spanduk muncul di bagian atas halaman. Spanduk tersebut berisi stempel waktu UTC yang tepat, panah untuk tangkapan sebelumnya dan berikutnya, serta panel 'Tentang tangkapan ini' dengan metadata crawl. Saat Anda mencari perubahan tertentu, misalnya, kapan perusahaan menghapus klausul pengembalian dana, jangan klik hari secara acak. Cari kluster dan celah, lalu batasi perubahan antara tangkapan terakhir yang memilikinya dan tangkapan pertama yang tidak.

Sintaks Pencarian Wayback Machine yang Layak Dihafal

Kotak pencarian beranda adalah cara paling lambat. URL itu sendiri adalah antarmuka yang sebenarnya, dan segelintir pola mencakup hampir semua yang Anda perlukan.

Dua di antaranya layak disebut khusus. Daftar URL seluruh domain adalah cara tercepat untuk menemukan halaman yang alamatnya setengah Anda ingat, ketikkan fragmen slug ke kotak filter dan arsip mempersempit ribuan jalur menjadi satu posting yang Anda butuhkan. Dan pengubah id_ adalah yang digunakan profesional saat mereka membutuhkan file itu sendiri daripada pratinjau yang dibingkai ulang, karena menyajikan byte asli tanpa spanduk dan tanpa menulis ulang satu tautan pun.

Simpan Halaman Sekarang dan Saat Menolak

Arsip bukan hanya ruang baca. Save Page Now menulis ke dalamnya: tempelkan URL publik apa pun ke web.archive.org/save dan crawler mengambil halaman langsung dalam hitungan detik. Akun gratis membuka fitur tambahan seperti menyimpan halaman yang ditautkan dan tangkapan layar halaman penuh. Jika Anda menerbitkan sesuatu yang penting, menyimpannya di hari yang sama adalah asuransi termurah di internet.

Ia menolak lebih sering dari yang diperkirakan orang. Halaman yang diblokir oleh robots.txt tidak akan disimpan. Penggunaan anonim dibatasi kecepatan, sehingga menyimpan lima puluh halaman sekaligus akan terhenti. Layar login disimpan sebagai layar login. Dan aplikasi JavaScript berat terkadang diarsipkan sebagai cangkang kosong, HTML tersimpan dengan baik, tetapi konten hanya ada setelah skrip dijalankan, dan skrip tersebut meminta API yang sudah lama mati.

Di Mana Wayback Machine Kurang

• Apa pun di balik login, paywall, atau formulir POST tidak akan pernah diarsipkan.
• Aplikasi interaktif yang merender dengan JavaScript sering bertahan sebagai cangkang kosong.
• Video dan audio streaming jarang diputar dari tangkapan lama.
• Celah. Satu minggu yang sangat Anda butuhkan pasti adalah minggu yang tidak di-crawl siapa pun.
• Tidak ada unduhan seluruh situs. Anda menjelajah satu halaman dalam satu waktu, dengan tautan ditulis ulang untuk mengarah kembali ke arsip.
• Kode sisi server lenyap selamanya. Snapshot menyimpan HTML yang dirender; PHP, database, dan panel admin tidak pernah publik, sehingga tidak pernah diarsipkan.

Semua ini bukan bug. Arsip dibangun untuk memori, bukan untuk migrasi, dan perbedaan itu penting saat tujuan Anda berubah dari membaca halaman lama menjadi membangun ulang seluruh situs web.

Dari Wayback Machine ke Situs yang Dipulihkan

Menjelajahi snapshot menjawab pertanyaan. Ia tidak memberikan Anda situs web. Tautan mengarah kembali ke archive.org, aset disajikan dari server arsip, dan tidak ada tombol ekspor. Menyalin secara manual berfungsi untuk satu atau dua halaman; toko dengan 3.000 halaman yang disalin dengan cara itu adalah bulan dalam hidup Anda yang tidak akan kembali. Inilah titik di mana orang berhenti meneliti dan mulai mencari pemulihan Wayback Machine sebagai gantinya.

Kesenjangan itulah yang Restorix dirancang untuk mengatasinya. Ia mengambil setiap file arsip dari sebuah domain, membangun ulang tautan internal yang berfungsi, dan menampilkan perkiraan gratis terlebih dahulu, jumlah file yang tepat, ukuran total, dan harga tetap sebelum Anda membayar apa pun. Pemulihan dibayar per file, file pertama gratis, dan pemulihan yang gagal akan dikembalikan secara otomatis ke saldo Anda. Opsi mencakup bagian-bagian tidak glamor yang penting: menghapus skrip analitik dan iklan lama, mengonversi tautan ke relatif, memaksakan HTTPS, menjaga redirect 301 tetap hidup, dan mengekspor data artikel terstruktur sebagai XML, CSV, atau JSON.

Saat file siap, satu klik menyebarkannya ke VPS Anda sendiri melalui SSH atau SFTP, ke hosting bersama melalui FTP, atau ke bucket S3, dan setiap penyebaran menyertakan CMS file tunggal kecil di /webarchive-cms.php, sehingga situs yang dipulihkan dapat diedit begitu tiba. Tutorial memandu menjalankan semuanya dalam waktu sekitar sepuluh menit.