Web Cache spiegata: come funzionano le cache e come usarle

Ogni pagina che hai mai aperto era una copia. Il browser non ha recuperato il sito; ha recuperato una copia da una cache, che conteneva una copia da un'altra cache, che ha interrogato il server reale solo quando necessario. Questa catena di copie è il sistema di web cache, e per gran parte del tempo è un'infrastruttura invisibile, finché una pagina che ti serve non scompare, e la questione di quale copia sopravvive diventa molto interessante.

Ecco come funziona davvero ciascun livello, quali puoi ancora esplorare e come usarli per vedere una pagina che non esiste più.

Cos'è davvero una web cache?

Una web cache è una copia memorizzata di una risposta, conservata da qualche parte tra il server di origine e il tuo schermo in modo che la richiesta successiva sia più veloce ed economica. Questa è la definizione completa. L'origine indica per quanto tempo la copia può essere riutilizzata, tramite header come Cache-Control ed ETag; la cache serve la copia finché non diventa obsoleta, poi la riconvalida o ne recupera una nuova.

Ne derivano due conseguenze. Primo, il web non è una sola copia di ogni pagina ma migliaia, sparse tra browser, server e servizi. Secondo, quasi nessuna di queste copie è stata creata per permetterti di consultarla in seguito. Esistono per velocità, e la maggior parte svanisce secondo una pianificazione. Quando una pagina scompare, l'intero gioco consiste nel trovare l'unica cache costruita per conservare le cose.

I quattro tipi di web cache da conoscere

In pratica, quattro livelli contano. Differiscono molto per durata di conservazione e per la possibilità di accedervi:

Osserva il caricamento di una singola pagina e vedrai l'intero stack all'opera. Apri un sito sul telefono e la cache del browser serve ciò che già conserva, il nodo edge CDN più vicino serve gran parte del resto, e il server di origine viene svegliato solo per ciò che nessuno aveva copiato. Dopo, ogni livello mantiene le proprie copie, ciascuno con la propria pianificazione, per le proprie ragioni, quasi nessuno pensando a te.

Cache del browser: la copia sul tuo dispositivo

Il tuo browser conserva immagini, script, fogli di stile e talvolta intere pagine in una cache su disco, in modo che le visite ripetute saltino la rete. È l'unica web cache che possiedi fisicamente, ed è quasi inutile per il recupero mirato: non c'è un'interfaccia di consultazione, Chrome ha rimosso la sua pagina chrome://cache anni fa, le voci si trovano sotto nomi di file con hash, e la cache elimina i contenuti senza avviso ogni volta che ha bisogno di spazio.

Restano due frammenti di utilità pratica. Se hai visitato una pagina poco prima che andasse offline, un ricaricamento dalla cronologia a volte la serve dalla cache prima che arrivi il 404, basse probabilità, costo zero, vale un tentativo. E la cronologia conserva sempre l'URL esatto, che è l'unico input necessario a ogni altro strumento di recupero.

Cache CDN e proxy: gli intermediari

Tra te e la maggior parte dei siti popolari si trova una content delivery network che conserva copie in posizioni edge in tutto il mondo, più qualsiasi livello di caching aggiunto dall'host. Queste cache obbediscono agli header dell'origine, e una ben configurata continua a servire contenuti obsoleti per un po' anche dopo la morte dell'origine, la direttiva stale-if-error esiste proprio per i server morti. Ecco perché un sito può sembrare perfettamente attivo per giorni dopo che il server è stato scollegato.

Per il recupero, però, tratta le cache CDN come il meteo: possono mantenere un sito visibile un po' più a lungo, ma non puoi interrogarle, consultarle o chiedere la copia dell'anno scorso. Le cache proxy aziendali sono la stessa storia con un ulteriore livello di opacità voluta. Le copie esistono; nessuna è per te. Una volta ho visto il negozio Magento di un cliente restare 'online' per quattro giorni dopo la morte del server, la CDN continuava a servire homepage e pagine di categoria mentre il checkout falliva silenziosamente. Sembrava vivo, era un museo.

Motori di ricerca e archivi: cache create per essere viste

Le cache dei motori di ricerca sono state il trucco di recupero preferito dal pubblico per due decenni: Google conservava una copia visualizzabile della sua ultima scansione, a un clic da ogni risultato. Google l'ha ritirata nel febbraio 2024, l'operatore cache: e i link Cached sono spariti entrambi, e Bing sta gradualmente riducendo la sua versione. I motori di ricerca continuano a memorizzare in cache il web internamente, ma la finestra attraverso cui il pubblico poteva guardare si sta chiudendo.

Quello che resta è il livello che non è mai stato una cache ma una biblioteca: gli archivi. La Wayback Machine esegue scansioni secondo una pianificazione e accetta salvataggi su richiesta tramite Save Page Now. archive.today salva le pagine su richiesta e renderizza prima il JavaScript. Common Crawl pubblica dati di scansione grezzi gratuitamente per chiunque sia disposto a interrogare il suo indice. Queste copie sono state create per essere recuperate da sconosciuti decenni dopo, nessun altro livello della web cache può dire lo stesso.

Come usare una web cache per vedere una pagina perduta

1. Conferma l'URL esatto dalla cronologia del browser, dal link che non funzionava o da una citazione. Ogni ricerca in una cache inizia con un URL.
2. Interroga la Wayback Machine: web.archive.org/web/ seguito dall'URL. Il calendario mostra ogni snapshot; scegli un anno in salute, non l'era delle pagine parking.
3. Controlla poi archive.today. Ha salvato pagine diverse con regole diverse, e il suo rendering JavaScript cattura pagine che Wayback mostra come gusci vuoti.
4. Prova l'indice di Common Crawl su index.commoncrawl.org se entrambi falliscono, HTML grezzo, senza fronzoli, a volte l'unica copia esistente.
5. Se la pagina è scomparsa da pochi giorni, cerca un link cached nei risultati di Bing finché quella funzionalità esiste, e prova un ricaricamento dalla cronologia del tuo browser.
6. Quando una pagina si trasforma in venti dallo stesso sito, fermati. Ripristina il sito in blocco: questo servizio offre una stima gratuita, numero esatto di file archiviati, dimensione totale e prezzo bloccato, prima di qualsiasi impegno.

Aspettati all'incirca otto successi su dieci per pagine pubbliche che sono esistite per un anno o più. I fallimenti si concentrano in modo prevedibile: siti bloccati dai robots, contenuti dietro login e pagine eliminate prima che un crawler passasse.

Quando ogni web cache ti delude

Alcune pagine non sono mai state copiate da nessuna parte: troppo recenti, bloccate ai crawler, dietro un login o renderizzate così pesantemente in JavaScript che gli archivi hanno salvato un guscio senza contenuto. Quando ogni cache risulta vuota, il lavoro passa dal recupero alla ricostruzione, ricerche per frasi esatte per individuare sindacazione e citazioni, citazioni di Wikipedia che linkano a snapshot che ti sei perso, e la poco glamour ma efficace mossa di scrivere all'autore per chiedere una copia. Recupero di vecchie pagine web percorre quella strada forense nel dettaglio.

Memorizza in cache i tuoi contenuti prima di averne bisogno

Il modo affidabile per vincere il gioco della web cache è smettere di dipendere dalle cache degli altri. Per ogni pagina a cui tieni, inviala a Save Page Now e a archive.today così due archivi indipendenti la conservano, e tieni una copia locale come PDF o HTML a file singolo. Per il tuo sito, sii ancora più noioso: veri backup secondo una pianificazione. Ogni cache in questo elenco è un incidente in cui sei stato fortunato; un backup è una decisione che hai preso di proposito.

E se la pagina che stai cercando è una delle tante in un sito di tua proprietà, salta del tutto la strada frammentaria: ripristina il sito dall'archivio una volta con Restorix, distribuiscilo con il CMS a file singolo incluso, e il problema del recupero smette di ripresentarsi. Il tutorial mostra l'intero processo dall'inizio alla fine.