Wayback Machine vs Google: Menemukan Halaman yang Hilang Pasca Cache

Selama dua puluh tahun, cara tercepat untuk melihat halaman yang baru saja down adalah tautan Cached Google. Pada Februari 2024 Google menghapusnya, dan pada September operator pencarian cache: juga berhenti berfungsi. Di tahun yang sama, Google melakukan sesuatu yang tak terduga: mereka mulai menautkan ke Wayback Machine milik Internet Archive dari panel About this result-nya. Pesannya jelas, Google adalah indeks langsung, bukan arsip, dan mereka sudah selesai berpura-pura sebaliknya.

Namun kedua alat ini tetap paling optimal saat digunakan bersama. Berikut cara saya menggabungkannya ketika sebuah halaman atau seluruh situs menghilang, termasuk trik operator yang selamat dari pembersihan.

Wayback Machine vs Google: dua jenis memori yang berbeda

Google memelihara indeks web yang aktif. Ia melakukan recrawl secara terus-menerus, memperbarui peringkat setiap jam, dan tujuan utamanya adalah menjawab apa yang benar saat ini. Saat halaman berubah, versi lama dibuang pada crawl berikutnya. Saat halaman menghilang, daftarnya bertahan sebentar lalu hilang.

Wayback Machine melakukan kebalikannya. Ia adalah perpustakaan yang hanya menambahkan tangkapan sejak 1996, lebih dari 900 miliar halaman. Ia tidak peduli apa yang relevan minggu ini; ia peduli apa yang tertulis di halaman itu pada 12 Maret 2014, dan akan menampilkan versi persis itu, lengkap dengan tampilan aslinya.

Jadi kedua alat menjawab pertanyaan yang berbeda. Google: apa isi halaman ini sekarang? Wayback: apa yang dulu tertulis di halaman ini? Kebingungan antara kedualah yang membuat banyak orang mengira web memiliki memori padahal tidak.

Apa yang terjadi pada Google Cache

Selama dua dekade, setiap hasil Google menyembunyikan tautan Cached, snapshot halaman seperti yang terakhir dilihat Googlebot. Ini adalah solusi standar saat halaman 404 lima menit sebelum meeting. Pada Februari 2024, Google's Search Liaison Danny Sullivan mengumumkan tautan tersebut akan dihentikan, dengan alasan keandalan halaman telah meningkat dan penggunaan telah menurun. Pada September 2024 operator pencarian cache: berhenti berfungsi sepenuhnya.

Dua hal penting tentang waktu ini. Pertama, cache tidak pernah menjadi arsip: ia hanya menyimpan satu versi, crawl terbaru, dan menimpanya terus-menerus. Hilangnya cache membuat kita kehilangan use case halaman-yang-dihapus-pagi-ini, bukan hal historis apa pun. Kedua, di bulan yang sama cache dihentikan, Google menambahkan tautan ke Wayback Machine di dalam panel About this result-nya. Klik tiga titik di samping hasil mana pun, pilih More about this page, dan Google mengarahkan Anda ke tangkapan Internet Archive. Google secara resmi mengarahkan penggunanya ke alat yang benar-benar mengerjakan tugas itu.

Untuk penghapusan yang sangat baru, pilihannya kini lebih terbatas: Wayback merayapi halaman populer secara sering, archive.today menyimpan halaman sesuai permintaan, dan snippet Google sendiri bertahan di hasil selama berhari-hari setelah halaman mati. Itu biasanya cukup. Nyaris.

Gunakan Google untuk menelusuri indeks Wayback Machine

Wayback Machine memiliki pencarian full-text beta, tetapi tidak konsisten. Solusi yang jarang dibahas: Google mengindeks sebagian dari web.archive.org sendiri, dan Google sangat ahli dalam pencarian.

Pola sederhana: site:web.archive.org/web plus domain, judul, atau, yang paling baik, frasa yang Anda ingat persis. Menelusuri site:web.archive.org "we regret to inform you" bersama nama brand akan memunculkan pemberitahuan penghentian yang diarsipkan, yang tidak akan ditemukan oleh pencarian Wayback sendiri. Rilis pers yang diarsipkan, posting permintaan maaf yang dihapus, dokumentasi lama: semuanya bisa diburu.

Atur ekspektasi dengan benar. Google hanya mengindeks sebagian kecil dari tangkapan arsip, sebagian besar dari 900 miliar halaman itu tidak terlihat olehnya. Pencarian dengan hasil nol tidak membuktikan apa-apa; itu berarti tidak ada di bagian arsip yang diindeks Google, bukan berarti tidak diarsipkan. Perlakukan Google sebagai lapisan penemuan dan kalender Wayback sendiri sebagai sumber kebenaran.

Trik operator site: dengan Google dan Wayback Machine

Ini adalah kueri yang benar-benar saya jalankan, kira-kira berurutan:

1. site:example.com, inventaris tercepat tentang apa yang masih Google ketahui tentang situs yang sekarat. Snippet bertahan selama berhari-hari atau berminggu-minggu setelah halamannya sendiri 404.
2. site:example.com inurl:blog (atau /products/, /docs/), membagi domain besar menjadi beberapa bagian sehingga Anda bisa memeriksa cakupan per area.
3. site:example.com filetype:pdf, whitepaper lama, manual, dan lembar spesifikasi. Setiap URL PDF yang mati langsung masuk ke bilah Wayback.
4. "frasa persis dari halaman yang dihapus", pencarian dengan tanda kutip menemukan salinan scraper, kutipan forum, dan mirror. Semakin khas frasanya, semakin baik.
5. before:2019-01-01, operator before: dan after: mengarahkan hasil ke era yang Anda inginkan.
6. site:web.archive.org/web "example.com", langsung melompat ke tangkapan yang telah diindeks Google.

Setelah Anda memiliki URL, dua pintasan ini menghemat banyak waktu. Tempelkan ke Wayback dengan web.archive.org/web/2/ diikuti alamatnya, angka 2 akan redirect ke tangkapan terdekat dalam waktu. Atau gunakan availability API: archive.org/wayback/available?url=example.com/old-page mengembalikan snapshot terdekat sebagai JSON yang rapi, persis seperti yang Anda butuhkan di dalam skrip.

Kapan Google unggul dan kapan Wayback Machine unggul

Tabel keputusan singkat:

Singkatnya: Google menemukan jarum; Wayback menyimpan tumpukan jerami. Jika Anda membutuhkan inventaris URL lengkap alih-alih satu halaman, rute CDX dibahas langkah demi langkah di panduan menemukan semua halaman di sebuah situs web.

Contoh nyata: memburu halaman produk 2012 yang mati

Skenario nyata musim semi lalu. Toko WooCommerce klien telah menggantikan situs Joomla lama mereka bertahun-tahun sebelumnya; seorang reseller membutuhkan lembar spesifikasi untuk suku cadang yang sudah dihentikan, dan cadangan klien sendiri, menurut kata mereka, ada di suatu drive.

1. Menjalankan site:clientdomain.com filetype:pdf dan site:clientdomain.com inurl:products. Situs aktif tidak memiliki apa-apa, tetapi snippet yang tersisa mengungkap pola URL Joomla lama, index.php dengan article ID.
2. Menempelkan domain ke Wayback Machine dan melompat ke tangkapan 2012 menggunakan sparkline kalender.
3. Menelusuri dari tangkapan homepage ke bagian produk. Tangkapan pertama memiliki gambar yang rusak; tangkapan empat bulan kemudian lengkap, PDF tertaut dan aktif.
4. Memeriksa archive.today untuk beberapa halaman yang dilewatkan Wayback.

Total waktu: sekitar sepuluh menit. Tanpa trik operator, ini bisa jadi seharian penuh jalan buntu. Langkah-langkahnya sederhana; mengetahui alat mana menjawab pertanyaan mana adalah keterampilan utamanya.

Satu detail yang patut diingat dari pekerjaan itu: gambar yang rusak di tangkapan pertama tidak hilang, hanya asinkron. Wayback merayapi halaman dan asetnya pada waktu yang berbeda, jadi halaman yang ditangkap pada Maret mungkin merujuk ke gambar yang ditangkap pada Juni. Saat sebuah tangkapan terlihat setengah kosong, jangan menyerah, maju atau mundur beberapa bulan dan bagian yang hilang biasanya akan terisi. Snippet Google mengalami masalah freshness yang serupa, itulah sebabnya snippet bisa mengutip paragraf yang tidak lagi ada di halaman saat ini.

Dari halaman yang ditemukan kembali ke situs yang berfungsi

Menemukan halaman adalah bagian yang menyenangkan. Membangun ulang situs dari tangkapan bukan: klik kanan save-as, ganti nama aset, perbaiki path, dan di halaman keempat puluh Anda baru menyadari stylesheet ada di tanggal tangkapan yang berbeda. Saya pernah melihat orang menghabiskan akhir pekan untuk situs lima belas halaman.

Itulah masalah yang Restorix otomatisasi. Estimasi gratis membaca indeks CDX Wayback dan memberi tahu Anda jumlah file yang diarsipkan, total ukuran, dan harga terkunci sebelum Anda membayar apa pun. Pemulihan berbayar per file dengan file pertama gratis, Anda bisa menghapus kode analitik dan iklan dari era tersebut, dan situs yang dibangun ulang di-deploy ke hosting Anda sendiri dalam satu klik, atau diekspor sebagai data terstruktur jika Anda lebih suka self-host. Setelah Google dan Wayback Machine menunjukkan apa yang pernah ada, inilah cara mengembalikannya.