Recupero di vecchie pagine web: i modi più veloci per trovare una pagina scomparsa

Qualcuno ti invia un link. Ci clicchi sopra e invece della pagina trovi un 404, o peggio, un dominio parcheggiato pieno di pubblicità di pillole e criptovalute. La pagina esisteva l'anno scorso. Lo sai che esisteva. Potresti averla citata. Il recupero di vecchie pagine web è l'arte di recuperare quella singola pagina e, a differenza del restauro di un intero sito, di solito è un lavoro di dieci minuti se bussi alle porte giuste nell'ordine giusto.

Questo è l'ordine che uso io, dal più veloce per primo, con i tassi di successo che vedo effettivamente. La buona notizia: per una pagina pubblica vissuta più di qualche mese, le probabilità sono fortemente a tuo favore.

Recupero di vecchie pagine web: prova prima la fonte più veloce

La mossa più rapida nel recupero di vecchie pagine web non costa nulla e richiede cinque secondi. Incolla l'URL morto nella barra degli indirizzi del Wayback Machine, o usa il collegamento web.archive.org/web/ seguito dall'URL, e ottieni un calendario di ogni istantanea mai scattata. Scegli una data, ottieni la pagina. Per le pagine che sono state pubbliche per un anno o più, funziona circa otto volte su dieci nella mia esperienza.

Se sai approssimativamente quando la pagina era viva, aggiungi un anno al collegamento: web.archive.org/web/2019/ seguito dall'URL salta direttamente alla cattura più vicina del 2019 invece di farti scorrere il calendario. Un piccolo trucco, ma un vero risparmio di tempo quando controlli dozzine di URL di fila.

Wayback Machine: la spina dorsale del recupero di vecchie pagine web

Il Wayback Machine è dove iniziano e finiscono la maggior parte dei recuperi di singole pagine, quindi impara le sue due peculiarità. Primo, il calendario segna le date di cattura con cerchi, cerchi più grandi, più catture quel giorno, e gli anni sani sono quelli da sfruttare, non l'anno in cui il dominio è morto. Le ultime catture di un sito morente sono di solito pagine di parcheggio. Secondo, ciò che ottieni è un'istantanea: le immagini vengono caricate da copie archiviate, i link puntano ad altre pagine archiviate e il modulo di contatto ora non fa nulla.

Altre due mosse utili. La vista Changes evidenzia ciò che differiva tra le catture, utile quando hai bisogno della versione prima che qualcuno modificasse la parte per cui eri venuto. E se Wayback non ha nulla, non fermarti lì. È il più grande archivio, non l'unico.

archive.today: il piano di backup che spesso vince

archive.today, raggiungibile anche come archive.ph, archive.li e una manciata di altri mirror, è un animale diverso. Salva le pagine su richiesta invece di eseguire la scansione programmata, non rispetta le stesse richieste di esclusione e contiene regolarmente pagine che Wayback si è perso completamente. Cerca l'URL sulla sua pagina principale: se qualcuno, da qualche parte, ha mai incollato quel link nella sua casella di salvataggio, l'istantanea è lì.

Le sue catture gestiscono meglio anche le pagine moderne. Esegue il rendering di JavaScript prima di salvare, quindi le pagine che appaiono come gusci vuoti su Wayback a volte tornano complete. Il compromesso è che tutto è manuale, una pagina alla volta, va bene per una singola pagina, fastidioso per cinquanta.

Cosa è successo alla cache di Google e di Bing

Per vent'anni la risposta più veloce a 'la pagina non c'è più' è stata la copia cache di Google. È finita a febbraio 2024, quando Google ha ritirato l'operatore di ricerca cache: e ha rimosso i link Cached dai risultati. La motivazione ufficiale era che le pagine ora si caricano in modo abbastanza affidabile che nessuno ne ha bisogno, magro conforto mentre fissi un 404.

Bing ha mantenuto un link alla pagina cache più a lungo, nascosto nel menu accanto a ogni risultato, ma lo sta eliminando gradualmente. Se ne vedi ancora uno, usalo finché dura. Le cache dei motori di ricerca hanno comunque sempre conservato solo la scansione più recente, il che le rende inutili per una pagina scomparsa anni fa, ma per una pagina eliminata martedì scorso, possono essere l'unica copia mai esistita.

Posti che le persone dimenticano di controllare

• Citazioni di Wikipedia. Se la pagina è mai stata citata su Wikipedia, la citazione di solito include un collegamento 'archiviato dall'originale' a un'istantanea. Controlla anche la cronologia delle modifiche dell'articolo.
• Common Crawl. Un dataset di crawl pubblico gratuito su index.commoncrawl.org. HTML grezzo, nessuna bella interfaccia, scomodo da interrogare, e pagine che nessun altro ha conservato.
• Lettori RSS. Feedly, Inoreader e compagni memorizzano il testo degli articoli recuperati. Se la pagina era un post di un blog con un feed, il suo testo completo potrebbe trovarsi in questo momento nei lettori di estranei.
• Il tuo browser. Se hai visitato la pagina di recente, la cronologia conferma l'URL esatto e un ricaricamento a volte estrae la pagina dalla cache del disco prima che arrivi il 404. Basse probabilità, costo zero.
• App di lettura differita. Salvataggi su Pocket e Instapaper, i tuoi o quelli dell'autore.
• L'autore. Una breve email, 'Ho citato il tuo articolo, hai ancora una copia?', funziona più spesso di quanto si pensi.

Recupero di vecchie pagine web quando non è stato archiviato nulla

A volte la risposta onesta è che non esiste alcuna istantanea: la pagina era troppo nuova, il sito bloccava i crawler o viveva dietro un login. Il recupero di vecchie pagine web non è finito a quel punto, ma gli strumenti passano dagli archivi alla forensica.

Cerca frasi distintive dalla pagina tra virgolette, i siti che hanno sindacato, citato o copiato apertamente il contenuto emergeranno e potrai ricostruire la sostanza dai loro. Cerca solo il titolo della pagina: i redesign spostano i contenuti su nuovi URL in continuazione senza informare nessuno, e la pagina 'eliminata' spesso vive a un nuovo indirizzo sullo stesso sito. Cerca versioni PDF o cartacee; i contenuti di documentazione e accademici in particolare tendono ad averne una. E controlla chi ha linkato: un blogger che ha riassunto la pagina in dettaglio ha già fatto metà della tua ricostruzione.

Recupero di vecchie pagine web: quale fonte provare per prima

Con questa tabella, una pagina è un lavoro di dieci minuti. Venti pagine dello stesso sito non sono più recupero di vecchie pagine web, è un ripristino del sito. Quando arrivi a quel punto, smetti di recuperare URL uno alla volta e ripristina in blocco: questo servizio di ripristino offre un preventivo gratuito con il conteggio esatto dei file archiviati prima di spendere qualsiasi cosa, il che ti dice anche se vale la pena ripristinare il sito. Se l'intero sito è scomparso, vedi recupero di vecchi siti web per la versione per intero sito di questo manuale.

Salva la pagina correttamente questa volta

Qualunque cosa recuperi, presupponi che possa scomparire di nuovo, gli archivi hanno lacune, le regole di esclusione cambiano, i servizi vanno e vengono. Salva la pagina in tre modi, adesso. Invia l'URL vivo a Save Page Now del Wayback Machine in modo che esista una nuova istantanea secondo il tuo programma. Invia ad archive.today come seconda copia indipendente. E conserva una copia locale che nessun servizio controlla: una stampa in PDF o un salvataggio HTML in un unico file dal tuo browser. Tre copie in tre sistemi sembra paranoico fino al giorno in cui sembra ovvio.

Se la pagina recuperata è tua e sta per tornare online, la stessa logica si applica: ripristina il sito correttamente, mantieni i file modificabili e non dipendere mai più dalla memoria di un crawler per i tuoi contenuti. Il tutorial di Restorix illustra un ripristino completo se vuoi vedere il processo prima di impegnarti.