Archiwizacja Wayback: Jak zabezpieczyć swoją witrynę, zanim zniknie

Rozmowa zazwyczaj wygląda tak: hosting zamknął serwer, agencja, która zbudowała witrynę, zlikwidowała się dwa lata temu, a jedyną kopią zapasową jest plik ZIP na laptopie, którego nikt nie może znaleźć. Słyszałem jakąś wersję tej historii więcej razy, niż zdołałbym zliczyć. Niemal każdą z tych witryn dałoby się uratować nawykami, które nic nie kosztują i zajmują godzinę w miesiącu.

Podejście do archiwizacji Wayback jest proste: traktuj Wayback Machine jako drugą linię obrony, którą aktywnie zasilasz, trzymaj własne prawdziwe kopie zapasowe jako pierwszą linię i dokładnie wiedz, jak przeprowadzisz przywrócenie, gdy obie okażą się potrzebne. Oto rutyna, w kolejności, w jakiej bym ją wdrażał.

Co zapisuje archiwum Wayback, a czego nigdy nie zapisze

Crawler zapisuje to, co przeglądarka może pobrać bez logowania: strony HTML, obrazy, arkusze stylów, skrypty, pliki PDF i inne publiczne pliki. Dla typowej witryny wizytówkowej lub bloga to niemal wszystko, co się liczy.

Lista tego, czego nigdy nie zapisze, jest dłuższa, niż ludzie oczekują.

• Wszystko za logowaniem: strefy klientów, panele administracyjne, fora tylko dla członków.
• Bazy danych i logika, która się z nimi komunikuje. Archiwum przechowuje wyrenderowaną stronę, a nie wiersze, które ją wygenerowały.
• Obsługę formularzy, koszyki i procesy zakupowe. Możesz odzyskać HTML formularza, ale nigdy nie odzyskasz przesłanych danych.
• Treści, które pojawiają się dopiero po wykonaniu JavaScriptu, gdy crawler zapisuje jedynie szkielet bez jego uruchomienia.
• Strony, które blokujesz. Dyrektywa disallow w robots.txt nakazuje crawlerom trzymać się z daleka, wszystkim crawlerom, w tym archiwizującym.
• Media strumieniowe i bardzo duże pliki do pobrania, częściowo lub wcale, w zależności od sposobu osadzenia.

To wszystko nie czyni archiwum bezużytecznym. Oznacza po prostu, że archiwizujesz z otwartymi oczami: publiczna warstwa Twojej witryny jest odzyskiwalna, a ukryta za nią mechanika pozostaje Twoim własnym problemem kopii zapasowych.

Save Page Now: archiwizacja na żądanie

Nie musisz czekać na crawler. Narzędzie Save Page Machine Internet Archive, dostępne pod adresem web.archive.org/save, na żądanie i bezpłatnie przechwytuje dowolny publiczny URL. Wklej adres, poczekaj kilka sekund, a przechwycenie trafi do publicznego archiwum z nowym znacznikiem czasu.

Darmowe konto odblokowuje funkcje, które warto mieć: zapisywanie strony wraz z jej linkami wychodzącymi na jeden poziom w głąb, przechwytywanie zrzutów ekranu oraz prowadzenie osobistej listy zapisów. Istnieje rozszerzenie przeglądarki do zapisów jednym kliknięciem oraz SPN2 API do pracy masowej, z kluczem API możesz kolejkować setki adresów URL ze skryptu, a nawet z arkusza kalkulacyjnego.

1. Zapisuj po każdej istotnej zmianie: nowa strona lądowania, nowe cenniki, nowe regulaminy, ważny wpis na blogu.
2. Zapisuj przed każdą ryzykowną operacją: zmiany projektu, migracje, aktualizacje CMS, przenosiny domeny.
3. Zawsze weryfikuj. Otwórz świeże przechwycenie i sprawdź, czy obrazy i style faktycznie się załadowały. Zapis uszkodzonej strony zachowuje uszkodzoną stronę.
4. Zapisuj też nieatrakcyjne adresy URL: /about, /contact, /terms, kluczowe strony kategorii. Strony główne i tak są crawlowane; to głębokie strony znikają bez śladu.

Przyjazna archiwizacji Wayback: ułatw przechwytywanie swojej witryny

Większość witryn jest przypadkowo wroga archiwizacji. Kilka tanich poprawek to zmienia.

• Nie blokuj crawlerów archiwizujących w robots.txt i nie blokuj folderów z zasobami (/wp-content/uploads, /static, /assets). Zablokowane obrazy i CSS to powód, dla którego stare przechwycenia wyglądają nagich.
• Renderuj ważne treści po stronie serwera. Jeśli Twój tekst istnieje dopiero po wykonaniu JavaScriptu, wiele crawlerów zapisze pusty szkielet.
• Utrzymuj poprawny sitemap.xml. Crawlery używają go, aby znaleźć głębokie strony, do których nigdy nie dotarłyby, podążając tylko za linkami.
• Utrzymuj stabilne adresy URL. Każda niepotrzebna zmiana adresu osieraca historię archiwum przypisaną do starego adresu.
• Unikaj pułapek crawlowania: nieskończone kalendarze, wyszukiwarki fasetowe generujące miliony adresów URL. Crawlery tracą budżet na śmieci i pomijają Twoje prawdziwe strony.

Jeśli używasz Cloudflare lub innego filtra botów, sprawdź, czy crawlery archiwizujące nie są blokowane. Reguła blokująca wszystkie boty blokuje również zachowanie Twojej własnej historii.

Proaktywna rutyna archiwizacji własnej witryny

Raz w miesiącu, piętnaście minut:

1. Skopiuj 20–30 najważniejszych adresów URL, z sitemap lub analityki, i przepuść je przez Save Page Now. Z API to zadanie na jedno polecenie.
2. Zapisz każdą stronę, która zmieniła się od zeszłego miesiąca.
3. Sprawdź losowo zapisy z zeszłego miesiąca: otwórz dwa lub trzy przechwycenia i upewnij się, że faktycznie się renderują.

Co kwartał dodaj dwa kroki: zweryfikuj, że Twój robots.txt nadal pozwala na archiwizację, i potwierdź, że Twoje prawdziwe kopie zapasowe faktycznie się przywracają, kopia zapasowa, której nigdy nie testowałeś, to tylko plotka. Przed każdą zmianą projektu lub migracją platformy uruchom pełny zapis na całym sitemap, a nie tylko na stronach głównych. Migracje to miejsce, gdzie historia witryny umiera.

Jeszcze jeden tani nawyk: trzymaj gdzieś poza serwerem mapę adresów URL swojej witryny w postaci zwykłego tekstu, sam sitemap się nada. Jeśli kiedykolwiek będziesz potrzebować masowego przywrócenia, ta lista będzie na wagę złota, ponieważ narzędzia przywracające mogą pracować bezpośrednio z niej.

Dlaczego archiwum to nie kopia zapasowa

Mówiąc wprost: Wayback Machine to muzeum, a nie skrytka depozytowa. Nie możesz nacisnąć przycisku i odzyskać z niej swojej witryny. Możesz przeglądać swoje strony pojedynczo, ale nie ma eksportu całej witryny, nie ma gwarancji, że każda strona lub obraz zostały przechwycone, i nie ma żadnej umowy o poziomie usług. Właściciele mogą również wnioskować o usunięcie.

Dlatego trzymaj prawdziwe kopie zapasowe: snapshoty hostingowe, repozytorium git dla kodu, okresowe zrzuty bazy danych oraz kopie przechowywane poza serwerem, stara zasada mówi, że Twoja kopia zapasowa nie istnieje, dopóki nie znajduje się w dwóch miejscach, z czego jedno poza siedzibą. Rola archiwum jest inna: to niezależny, opatrzony znacznikiem czasu, publiczny zapis tego, co Twoja witryna mówiła i pokazywała. To ma realną wartość, w sporach, dla rozliczalności, dla udowodnienia, że strona istniała, ale uzupełnia kopie zapasowe. Nigdy ich nie zastępuje.

Lista kontrolna archiwizacji Wayback przed zmianą projektu lub migracją

1. Uruchom Save Page Now na całym sitemap, z uwzględnieniem linków wychodzących dla kluczowych stron.
2. Wykonaj świeżą pełną kopię zapasową, pliki plus baza danych, i przechowaj ją poza serwerem.
3. Wyeksportuj listę adresów URL bieżącej witryny, aby zbudować mapę przekierowań.
4. Zaplanuj przekierowania 301 z każdego starego adresu URL na jego nowy odpowiednik, zanim przełączysz.
5. Po uruchomieniu zapisz nowe kluczowe strony, aby oś czasu archiwum trwała bez luki.

Jeśli przenosisz domeny, utrzymuj starą przy życiu, nawet rok przekierowań zachowuje zarówno wartość SEO, jak i ciągłość archiwum. Pozwolenie jej wygasnąć oddaje Twoją historię w ręce parkera domen, a zaparkowane domeny to miejsce, gdzie dobre adresy URL idą, by zostać zapomniane.

Gdy zapobieganie zawiedzie: przywracanie z archiwum

Czasem dziedziczysz bałagan: martwa witryna, brak kopii zapasowych i archiwum jako jedyne pozostałe źródło. Odzyskanie jest możliwe częściej, niż ludzie myślą. Restorix pobiera każdy zarchiwizowany plik witryny, strony, obrazy, style, dokumenty, i odbudowuje ją jako działającą witrynę, z opcją zakresu dat, dzięki czemu możesz celować w erę sprzed tego, jak rzeczy poszły źle.

Ekonomia jest przyjazna dla zdesperowanych: wycena jest darmowa i pokazuje dokładną liczbę plików, całkowity rozmiar oraz zablokowaną cenę, zanim zapłacisz; płacisz za przywrócony plik, przy czym pierwszy plik jest darmowy; a jeśli przywrócenie lub wdrożenie się nie powiedzie, zwrot na Twoje saldo następuje automatycznie, bez zgłoszenia do supportu. Wdrożenie to jedno kliknięcie do SSH/SFTP, FTP lub S3, a każde wdrożenie obejmuje niewielki jednoplikowy CMS, dzięki czemu uratowana witryna jest edytowalna, a nie zamarzłym pomnikiem.

Przejdź przez to raz na małej witrynie, samouczek zajmuje może dziesięć minut, i będziesz dokładnie wiedział, co zrobić w dniu, gdy ktoś wykona ten telefon.