Time Wayback Machine: Migawki, znaczniki czasu i luki w archiwizacji

Wszyscy nazywają to wehikułem czasu i ta nazwa się przyjęła, bo doświadczenie naprawdę przypomina podróż w czasie: wpisz adres URL, wybierz rok i patrz, jak martwa strona ożywa. Ale metafora przestaje działać, gdy potrzebujesz czegoś konkretnego. Prawdziwy wehikuł czasu przeniósłby cię dokładnie w wybraną sekundę. Ten przenosi cię tam, gdzie akurat był robot indeksujący, w dniu, w którym akurat odwiedził stronę.

Gdy zrozumiesz, jak Time Wayback Machine faktycznie zapisuje przeszłość, migawki, kalendarze, znaczniki czasu i luki między nimi, przestaniesz zgadywać i zaczniesz odczytywać go jak instrument. Ten przewodnik to instrukcja obsługi.

Co naprawdę zapisuje Time Wayback Machine

Wayback Machine nie zapisuje w sposób ciągły. Wykonuje pojedyncze migawki: robot indeksujący żąda adresu URL, zapisuje odpowiedź, HTML, obrazy, arkusze stylów, skrypty, i opatruje ją datą oraz godziną wizyty. Dla tego adresu URL historia istnieje tylko w tych momentach. Wszystko pomiędzy to domysły.

Skala jest oszałamiająca, setki miliardów migawek sięgających 1996 roku, ale jest nierównomierna. Strona główna dużego serwisu informacyjnego może być archiwizowana dziesiątki razy dziennie. Mała witryna firmowa może być odwiedzana cztery razy w roku. Strona za loginem nie jest archiwizowana nigdy. Traktuj każdy adres URL jako osobną oś czasu o własnej gęstości.

Pasek u góry każdej zarchiwizowanej strony to wykres słupkowy liczby migawek w poszczególnych latach. Wysokie słupki oznaczają, że robot odwiedzał stronę często. Płaskie lub brakujące lata oznaczają, że nie, a przyczyny zwykle można odkryć, gdy wie się, gdzie szukać.

Odczytywanie osi czasu i widoku kalendarza

Otwórz dowolny adres URL, a otrzymasz dwa narzędzia. Pasek lat pokazuje liczbę migawek w każdym roku. Kliknij rok, a zobaczysz kalendarz: dwanaście miesięcy z dniami, niektóre w kółkach, inne nie. Kółka niosą informacje, które większość osób pomija.

Kolory szybko pokazują swoją wartość. Rok niebieskich, potem miesiąc czerwonych, a następnie zielonych opowiada historię: strona się zepsuła, a potem zaczęła przekierowywać, często na stronę zaparkowanej domeny lub niedokończoną przebudowę. Jeśli szukasz ostatniej zdrowej wersji witryny, potrzebujesz ostatniego ciągu niebieskich, zanim kolory się zmienią.

Kiedyś w ten sposób prześledziłem sklep WooCommerce klienta: jednolite niebieskie przez cały 2019 rok, rozproszone czerwone w marcu 2020, włamanie, potem zielone przekierowania na stronę sprzedaży domeny. Cel odtworzenia sam się wyłonił: koniec lutego 2020, ostatni gęsty niebieski miesiąc, zanim wszystko poszło nie tak.

Rozszyfrowywanie znacznika czasu na migawce Time Wayback Machine

Każdy adres URL migawki zawiera 14-cyfrowy znacznik czasu: /web/20150309142312/https://example.com/. Odczytaj go jako rok, miesiąc, dzień, godzinę, minutę, sekundę, tutaj 9 marca 2015, 14:23. Możesz edytować te cyfry ręcznie, a zaawansowani użytkownicy robią to stale: zmień datę, a archiwum wyświetli migawkę najbliższą żądanemu momentowi.

1. Znacznik czasu to czas indeksowania, nie publikacji. Migawka z 2015 roku artykułu napisanego w 2011 nadal pokazuje 2015.
2. Wszystko jest w UTC. Migawka oznaczona 23:58 miała miejsce dwie minuty przed północą GMT, niezależnie od tego, co wskazuje twój lokalny zegar.
3. Pliki na tej samej stronie mogą mieć różne znaczniki czasu. Archiwum łączy każdy zasób z najbliższej migawki, więc HTML strony i obrazy mogą być od siebie oddalone o dni.
4. Dopasowanie do najbliższej migawki działa w obie strony. Poproś o datę bez migawki, a otrzymasz najbliższą, która na rzadkiej osi czasu może być odległa o miesiące. Zawsze sprawdzaj rzeczywisty znacznik czasu tego, co się załadowało.

Dlaczego powstają luki w archiwizacji (i co ci mówią)

Luki są normą, a nie wyjątkiem, i mają przyczyny, które zwykle można wskazać.

• Popularność. Częstotliwość indeksowania z grubsza odpowiada temu, jak często strona jest linkowana i odwiedzana. Mało znane witryny są indeksowane rzadko.
• Robots.txt. Przez lata reguła disallow całkowicie blokowała robota, a stare żądania wykluczenia wciąż mogą ukrywać całe domeny.
• Przestój. Jeśli strona była niedostępna, gdy robot ją odwiedzał, otrzymujesz czerwone kółko lub nic.
• Renderowanie JavaScript. Strony, które budują treść po stronie klienta, często są archiwizowane jako puste powłoki.
• Loginy i paywalle. Wszystko, co jest za uwierzytelnieniem, jest niewidoczne dla robota.
• Luki własnościowe. Wygasła domena zaparkowana na rok tworzy kalendarz pełen migawek przekierowań i błędów.

Czytane diagnostycznie, luki są danymi. Dwuletnia dziura w skądinąd gęstej osi czasu zwykle oznacza zmianę robots, wygasłą domenę lub długą awarię, wszystko to warto wiedzieć, zanim kupisz tę domenę lub zaufasz tej historii.

Chronologiczny schemat badania witryny

1. Zacznij od końca. Znajdź ostatnie zdrowe niebieskie migawki, a następnie cofaj się rok po roku, aż pojawi się treść, której szukasz.
2. Próbkuj w odstępach. Na gęstej osi czasu najpierw sprawdź jedną migawkę na kwartał; przybliżaj do miesięcy tylko tam, gdzie coś się zmieniło.
3. Wypatruj nieciągłości. Nagła zmiana wyglądu, zmiana struktury adresów URL lub fala migawek przekierowań wyznacza granicę, starsze treści mogą znajdować się pod innymi adresami URL.
4. Weryfikuj poza stroną główną. Otwórz pięć lub dziesięć kluczowych stron wewnętrznych w wybranej epoce. Migawka strony głównej nie mówi nic o reszcie witryny.
5. Zapisuj dokładne adresy URL migawek i znaczniki czasu na bieżąco. 'Gdzieś w 2012' to nie cytat ani cel odtworzenia.

Weźmy forum phpBB z 2009 roku, które klient chciał odzyskać. Oś czasu pokazała gęste migawki od 2010 do 2013, przeprojektowanie w 2014, które zniszczyło adresy URL wątków, i zaparkowaną domenę od 2016. Idealny okres to 2012–2013: kompletne wątki, działające załączniki, przed spamem. Dwie godziny chronologicznego czytania zaoszczędziły tydzień odtwarzania niewłaściwej epoki.

Kiedy Time Wayback Machine nie wystarcza

Dwa twarde ograniczenia zaskakują ludzi. Po pierwsze, archiwum pokazuje strony pojedynczo, w przeglądarce, nie ma przycisku pobierania całej witryny, a ręczne odtwarzanie czegokolwiek większego niż kilkanaście stron to męka. Po drugie, niektórych rzeczy nigdy nie zarchiwizowano: funkcji opartych na bazach danych, wyszukiwarek, koszyków, wszystkiego, czego robot nie mógł zobaczyć.

Rozwiązaniem pierwszego ograniczenia jest dedykowane narzędzie do odtwarzania. To narzędzie pobiera każdy zarchiwizowany plik dla witryny w wybranym zakresie dat, dokładnie to, co daje ci odczyt osi czasu, i odbudowuje ją jako działającą stronę. Darmowy szacunek podaje dokładną liczbę zarchiwizowanych plików, całkowity rozmiar i zablokowaną cenę, zanim cokolwiek wydasz; płacisz za odtworzony plik, a pierwszy plik jest darmowy.

Jeśli wahasz się między dwiema epokami, uruchom darmowy szacunek dla obu zakresów dat i porównaj liczbę plików, tani sposób, by zobaczyć, który okres archiwum pokryło najlepiej. Gdy już zaczniesz, panel odtwarzania pokazuje postęp na żywo, plik po pliku.