Ripristino da Wayback Machine: 4 insidie e come evitarle

La Wayback Machine fa sembrare il ripristino facile: scegli una data, riottieni il tuo sito. Poi apri la cartella ripristinata e trovi una pagina di parking al posto della homepage, metà delle immagini che restituiscono 404 e un footer del 2011 sotto una pagina del 2017. Ho sistemato abbastanza ripristini falliti da sapere che gli errori sono prevedibili. Le stesse quattro insidie rovinano quasi ogni cattivo ripristino da Wayback Machine, e per prevenirne ciascuna bastano circa dieci minuti di verifica. Ecco cosa va storto, perché, e come coglierlo prima di pagare qualsiasi cosa.

Perché un ripristino da Wayback Machine va male

L'archivio non è un backup del tuo sito. È un insieme di crawl opportunistici: pagine diverse catturate in giorni diversi, alcuni asset saltati del tutto, alcune catture effettuate mentre il sito era rotto. Un tool di ripristino può lavorare solo con ciò che il crawler ha preso. La maggior parte dei disastri di ripristino deriva dal trattare l'archivio come uno specchio perfetto e saltare le verifiche qui sotto.

I numeri rendono la cosa concreta. In un lavoro per un cliente, un forum phpBB del 2009 con circa 8.000 URL archiviati, gli ultimi sei mesi di snapshot erano tutti redirect verso un rivenditore di domini. Un ripristino dalla data più recente di default avrebbe consegnato 8.000 copie di una pagina "in vendita". I dati validi c'erano, due anni prima. Il tool andava bene; la scelta della data era tutto.

Insidia 1: Ripristinare una pagina parcheggiata

I domini scadono, i registrar li parcheggiano e la Wayback Machine crawl allegramente la pagina di parking. Nella vista calendario quelle catture sembrano identiche a quelle buone, stessi cerchi blu, stessi timestamp. Il segnale si vede solo quando apri lo snapshot: pubblicità al posto dei contenuti, un banner che offre il dominio in vendita, il logo di un registrar nell'angolo.

Il parking spesso colpisce prima la homepage mentre le pagine interne mostrano ancora contenuti reali, quindi un'occhiata veloce a una pagina non basta. Ho visto ripristini in cui la homepage era una pagina parcheggiata del 2020 e la pagina "chi siamo" era contenuto genuino del 2016, il sito ripristinato sembrava un messaggio di riscatto.

• Apri lo snapshot reale, non solo l'anteprima del calendario, prima di scegliere una data
• Controlla la homepage e almeno due pagine interne dello stesso periodo
• Se gli snapshot recenti sono parcheggiati, torna indietro nel calendario fino all'ultima cattura con il tuo design reale
• Conferma che lo snapshot mostri la tua navigazione, non una link farm del registrar

Insidia 2: Catene di redirect e loop di cattura

Quando un sito inizia a reindirizzare, vecchio dominio verso nuovo dominio, http a https, non-www a www, il crawler registra il redirect, non il contenuto. Ripristina da quelle catture e ottieni pagine che puntano a pagine che puntano a pagine. Il caso classico: l'ultimo anno di snapshot di un sito che ha migrato dominio è composto solo da catture 301, e i contenuti hanno smesso di essere archiviati il giorno della migrazione.

La variante peggiore è il loop di redirect: la pagina A reindirizza alla pagina B, la pagina B reindirizza di nuovo ad A, e il crawler archivia entrambi i salti. I browser si arrendono dopo pochi salti e lo faranno anche i tuoi visitatori.

La soluzione ha due parti. Ripristina da prima che iniziassero i redirect, e mantieni le regole di redirect deliberate che erano attive durante la finestra scelta invece delle catene rotte registrate dal crawler. In Restorix, l'opzione keep-301/302 fa esattamente questo, preserva i redirect intenzionali e scarta quelli accidentali. Se ripristini a mano, fai un grep dell'HTML scaricato per i wrapper di redirect di archive.org prima di caricare qualsiasi cosa; si nascondono nei meta refresh tag e nei canonical link.

Insidia 3: Immagini mancanti e asset rotti

I crawler sono educati. Rispettano robots.txt, rinunciano sui server lenti e saltano i file oltre i limiti di dimensione. Le immagini sono le prime vittime. Una pagina può essere catturata venti volte mentre la sua immagine principale non è mai stata catturata. Perderai anche asset che si trovavano dietro protezione hotlink o su un sottodominio CDN ignorato dal crawler.

I peggiori sono le immagini di sfondo referenziate dai file CSS. L'HTML della pagina si archivia bene, il foglio di stile si archivia bene, e la foto da 400 KB a cui il foglio di stile punta no, quindi la pagina si ripristina con un vuoto grigio dove prima c'era il design. Lo noti solo quando apri il sito ripristinato, a meno che non controlli prima.

• Controlla il manifest dei file per lo stato di cattura file per file, invece di dare per scontato che un'immagine esista
• Aspettati lacune nelle cartelle /uploads/ nei siti ricchi di immagini e calcola il tempo per trovare sostituzioni
• Accetta che tutto ciò che sta dietro un login, un form POST o un rendering JavaScript non è nell'archivio
• Verifica cinque immagini a caso nello snapshot archiviato prima di confermare una data

Nessun tool di ripristino può recuperare un file che l'archivio non ha mai catturato. Ciò che un buon tool fa è mostrarti le lacune in anticipo, Restorix genera un manifest JSON/SQLite che elenca ogni file e il suo stato, così scopri i buchi nel preventivo, non dopo il deploy.

Insidia 4: Timestamp incoerenti tra le pagine

Il crawler visita la tua homepage spesso e le pagine profonde raramente. Ripristina l'intero sito e la homepage potrebbe essere di marzo 2019 mentre la pagina dei prezzi è di ottobre 2015. Il risultato sembra un sito gestito da un viaggiatore nel tempo: prezzi vecchi, personale che non c'è più, un footer di copyright in disaccordo con se stesso da una pagina all'altra.

Un cliente ha ripristinato il sito di un ristorante e lo ha lanciato con orgoglio, con un menu del 2014, una pagina di prenotazioni del 2017 e una homepage del 2019 che annunciava uno chef che se n'era andato tre anni prima. I file erano tutti genuini. Il mix era il problema.

Usa la selezione per intervallo di date per confinare il ripristino a una finestra coerente. Per un sito vetrina, sei-dodici mesi di solito bastano. Per un forum o un negozio, accetta lo scarto su vecchie discussioni e pagine prodotto ma fissa le pagine chiave di atterraggio alla stessa era. Poi esegui un search-and-replace sui segnali evidenti: anni, prezzi, numeri di telefono, nomi dello staff.

Quando un ripristino da Wayback Machine è lo strumento sbagliato

A volte l'archivio semplicemente non ha il tuo sito. Se robots.txt bloccava i crawler, se l'intero sito era dietro un login, o se è stato costruito dopo l'ultimo crawl ed è morto giovane, non c'è nulla da ripristinare. Controlla il calendario prima di pianificare qualsiasi altra cosa. Quando l'archivio è vuoto, le opzioni realistiche sono una copia web cache di alcune pagine chiave, vecchi backup da un host o sviluppatore precedente, o ricostruire da zero con i contenuti che riesci a recuperare.

Un ripristino è anche lo strumento sbagliato quando ti serve solo una pagina. Salvare una singola pagina dall'archivio a mano richiede due minuti; un ripristino completo serve a riottenere un intero sito funzionante.

Come verificare uno snapshot prima di un ripristino da Wayback Machine

1. Apri lo snapshot e naviga per tre livelli di navigazione
2. Visualizza il sorgente e cerca i wrapper di web.archive.org che dovranno essere rimossi
3. Conferma che cinque immagini a caso si carichino dalla copia archiviata
4. Confronta la data di cattura della homepage con quella di una pagina profonda
5. Verifica che lo snapshot sia il tuo sito, non una pagina parcheggiata, non una defacement, non un redirect
6. Annota l'URL completo con timestamp così il tool di ripristino usa esattamente la cattura che hai verificato

Cinque minuti di verifica battono il ripristino di 9.000 file sbagliati. Oppure salta il lavoro manuale: esegui il preventivo gratuito su Restorix e mostra il conteggio esatto dei file archiviati, la dimensione totale e un prezzo bloccato per la data scelta prima di pagare. Se il conteggio sembra sbagliato, 12 file per un sito che ricordi avere centinaia di pagine, è l'archivio che ti dice che lo snapshot è più sottile di quanto sembri.

Checklist per il ripristino da Wayback Machine

Stampala o tienila aperta in una scheda. Ogni voce richiede meno di due minuti, e ogni voce saltata è un ripristino che potresti dover pagare due volte. Se preferisci fare anziché controllare, la guida rapida copre il ripristino passo per passo.

Ogni cattivo ripristino che ho sistemato è fallito nella selezione dello snapshot, non nel download. L'archivio ti dice cosa ha, leggilo prima di comprarlo.