Wayback Back Machine: Jakkolwiek to napiszesz, oto jak z tego korzystać

Wyszukałeś 'wayback back machine'. Może palce się przejęzyczyły, może nazwa po prostu dziwnie siedzi w pamięci. Nieważne. Narzędzie, którego szukasz, to Wayback Machine pod adresem web.archive.org, a ten poradnik obejmuje trzy rzeczy, których ludzie naprawdę potrzebują: znalezienie migawki, pobranie strony i przywrócenie całej witryny, gdy oryginał przestał istnieć.

Od lat wyciągam witryny z tego archiwum, forum phpBB z 2009 roku dla jednego klienta, sklep WooCommerce, któremu faktura za hosting wpadła do folderu ze spamem, dla innego. Narzędzie jest za każdym razem to samo. Zmienia się technika.

Dlaczego tylu ludzi wpisuje 'Wayback Back Machine'

Oficjalna nazwa ma dziwny rytm, więc logi wyszukiwarek zapełniają się wariantami. 'Wayback back machine' to jeden z najczęstszych. Spotkasz też 'machine way back', 'the way back machine' i 'internet wayback machine'. Każdy z nich prowadzi w to samo miejsce: do webowego archiwum Internet Archive.

Nazwa pochodzi od maszyny WABAC, kreskówkowego gadżetu do podróży w czasie z przygód Rocky'ego i Bullwinkla. Wymów to raz z tą myślą, a przestanie się mylić. Wayback. Jedno słowo, żadnego dodatkowego 'back' nie potrzeba.

Google wybacza literówkę. Archiwum też. Liczy się to, co zrobisz, gdy kalendarz się załaduje.

Jak znaleźć migawkę w Wayback Machine

Otwórz web.archive.org i wklej pełny adres strony lub witryny w pole wyszukiwania. W odpowiedzi zobaczysz oś czasu: u góry iskrowy wykres liczby zrzutów na rok, a pod nim kalendarz. Dni z przechwyceniami mają kolorowe kółka. Niebieski oznacza, że crawler otrzymał czystą odpowiedź 2xx, zielony to przekierowanie, pomarańczowy i czerwony to błędy. Większe kółko oznacza więcej zrzutów danego dnia.

1. Wklej URL z protokołem lub bez, archiwum go znormalizuje.
2. Kliknij rok na wykresie, najedź na datę i wybierz znacznik czasu.
3. Sprawdź, czy strona faktycznie się renderuje. Zrzut może istnieć i wciąż być uszkodzony.
4. P klikaj wewnątrz migawki. Linki wewnętrzne i zasoby też ładują się z archiwum.
5. Wypróbuj warianty z www i bez www oraz http wobec https. Stare witryny bywają nierówno zarchiwizowane.

Nie pamiętasz dokładnego adresu? Otwórz stronę kalendarza witryny i użyj widoku URLs, aby wylistować przechwycone ścieżki. Wypłyną strony, o których istnieniu zapomniałeś, zwykle tam właśnie kryje się treść, za którą naprawdę tęsknisz.

Jeden nawyk, który oszczędza nerwów: nigdy nie oceniaj daty po samej stronie głównej. Strona główna to najczęściej przechwycana strona w każdej witrynie, więc prawie zawsze wygląda dobrze. Zanim zdecydujesz się na datę, otwórz dwie lub trzy głębsze podstrony, produkt, wpis na blogu, stronę kontaktową, i upewnij się, że renderują się z obrazkami i stylami. Piętnaście minut klikania tutaj oszczędzi cały dzień poprawek później.

Pobieranie pojedynczej strony

Dla jednej strony masz trzy sensowne metody, od leniwej po chirurgiczną.

1. Zapis w przeglądarce. Otwórz migawkę, naciśnij Ctrl+S, wybierz 'Strona internetowa, kompletna'. Dostajesz HTML i zasoby z wbudowanym znacznikiem przepisywania archiwum. Dobre do czytania, nieporadne do ponownego użycia.
2. Sufiks id_. Edytuj URL migawki tak, by znacznik czasu kończył się na id_, np. https://web.archive.org/web/20140601120000id_/http://example.com/, a archiwum poda stronę dokładnie tak, jak została przechwycona: bez paska narzędzi, bez przepisanych linków. Zobacz źródło i skopiuj, czego potrzebujesz.
3. wget. Skieruj wget -p -k na URL z id_, aby jednym strzałem pobrać stronę wraz z zależnościami. To metoda do użycia, gdy chcesz też obrazki.

Wszystkie trzy sprawdzają się przy kilku stronach. Przy pięćdziesiątej przestają być metodą, a zaczynają być karą.

Którąkolwiek metodę wybierzesz, otwórz zapisany plik lokalnie, zanim mu zaufasz. Sprawdź, czy obrazki ładują się z dysku, a nie z web.archive.org, i usuń wstrzykiwany pasek narzędzi archiwum, jeśli planujesz coś ponownie opublikować. Pięć minut higieny teraz oszczędzi bałaganu z hotlinkowanymi zasobami później.

Limity Wayback Back Machine, gdy chcesz całą witrynę

Archiwum powstało do przeglądania historii, nie do oddawania ci twojej witryny z powrotem. Widać to szybko, gdy próbujesz odzyskać więcej niż garść stron.

• Nie ma przycisku masowego pobierania. Każdy plik, strona, obrazek, arkusz stylów, skrypt, to osobny zrzut.
• Głębokie podstrony bywają przechwycone rzadko albo wcale. Strona główna może mieć 400 migawek, a strona produktu dwie.
• Zasoby znikają. HTML może być z marca, a jego CSS w ogóle nie został przechwycony.
• Limity zapytań zamieniają pobieranie strona po stronie w wielodniową mordęgę.
• Strony składane w JavaScript przy wyświetlaniu często archiwizują się jako puste skorupy.

Policz to, zanim zaczniesz. Witryna na 500 stron po dwie minuty na stronę to ponad szesnaście godzin klikania, a i tak trzeba potem naprawić linki, usunąć znaczniki archiwum i znaleźć hosting. Pełny obraz znajdziesz w poradniku pobierania całej witryny z archive.org.

Przywracanie całej witryny krok po kroku

Do tego właśnie powstał Restorix. Wklej domenę, a dostaniesz darmową natychmiastową wycenę: dokładną liczbę zarchiwizowanych plików, łączny rozmiar i zablokowaną cenę, zanim cokolwiek zapłacisz. Bez subskrypcji, doładowujesz saldo kartą lub kryptowalutą i płacisz za każdy przywrócony plik. Pierwszy plik jest darmowy.

1. Wpisz domenę i sprawdź wycenę.
2. Wybierz zakres dat, aby przywrócić witrynę w jej najlepszej wersji, a nie w najnowszej.
3. Ustaw opcje: usuń analitykę, reklamy i iframe'y, zamień linki wewnętrzne na względne, wymuś HTTPS, zminifikuj JS i CSS.
4. Uruchom przywracanie i śledź postęp na żywo w panelu.
5. Pobierz gotową witrynę albo wdróż ją od razu na swój hosting.

Wdrożenia odbywają się jednym kliknięciem na VPS przez SSH lub SFTP, hosting współdzielony FTP/FTPS albo S3, dane uwierzytelniające szyfrowane AES-256-GCM. Każde wdrożenie zawiera darmowy Restorix CMS, edytor w jednym pliku PHP pod adresem /webarchive-cms.php z hasłem dla danej witryny widocznym w panelu, więc treść poprawisz bez ponownego wdrażania. Samouczek przeprowadza przez cały proces.

Czego Wayback Back Machine nie uratuje

Ustal oczekiwania, zanim komukolwiek obiecasz pełne odzyskanie. Część treści po prostu nigdy nie trafiła do archiwum.

• Strony za logowaniem lub paywallem, crawlery też nie wejdą.
• Sekcje zablokowane przez robots.txt, co historycznie trzymało crawlery z daleka.
• Treści pobierane przez formularze i żądania POST, jak wewnętrzne wyniki wyszukiwania.
• Większość osadzonych strumieni audio i wideo.
• Wszystko, co generowane jest czysto po stronie klienta przez JavaScript, którego crawler nie wykonał.
• Sama baza danych. Dostajesz wyrenderowany HTML, nie zrzut MySQL.

Forum jednego klienta wróciło pięknie, każdy wątek z 2009 roku nienaruszony. Załączniki ze zdjęciami żyły za logowaniem i przepadły. Zanim zaczniesz liczyć pliki, wiedz, do której kategorii należy twoja treść. Gdy mimo wszystko potrzebujesz surowych danych, Restorix potrafi wyeksportować artykuły w formacie XML, CSV lub JSON oraz manifest każdego przywróconego pliku w formacie JSON lub SQLite, przydatne do audytu, co przetrwało.

Utrzymywanie przywróconej witryny online

Przywrócona witryna to statyczny HTML, więc hosting jest tani i prosty. Zachowaj przekierowania 301 i 302, które restore zachował, wybierz kanoniczny host, www lub bez www, i odłóż witrynę na starą domenę, jeśli nadal ją posiadasz. Stare linki przychodzące zaczynają znowu działać, a to połowa wartości SEO przywracania.

Jakkolwiek wpisałeś nazwę, z dodatkowym 'back', ze słowami w złej kolejności, droga wyjścia jest ta sama. Znajdź migawkę, zapisz to, co ważne, i odłóż witrynę na hostingu, który kontrolujesz.