Recuperação de Páginas Web Antigas: As Formas Mais Rápidas de Encontrar uma Página Perdida

Alguém te envia um link. Você clica e, em vez da página, aparece um erro 404, ou pior, um domínio estacionado cheio de anúncios de remédios e criptomoedas. A página existia no ano passado. Você sabe que existia. Pode até tê-la citado. A recuperação de páginas web antigas é a arte de resgatar essa única página e, ao contrário da restauração de um site inteiro, geralmente é um trabalho de dez minutos se você bater nas portas certas na ordem certa.

Esta é a ordem que eu uso, a mais rápida primeiro, com as taxas de sucesso que realmente vejo. A boa notícia: para uma página pública que ficou no ar por mais de alguns meses, as chances são amplamente a seu favor.

Recuperação de páginas web antigas: experimente a fonte mais rápida primeiro

O passo mais rápido na recuperação de páginas web antigas não custa nada e leva cinco segundos. Cole a URL morta na barra de endereços da Wayback Machine, ou use o atalho web.archive.org/web/ seguido da URL, e você terá um calendário com todos os snapshots já feitos. Escolha uma data e recupere a página. Para páginas que ficaram públicas por um ano ou mais, isso funciona cerca de oito em cada dez vezes na minha experiência.

Se você souber mais ou menos quando a página estava ativa, adicione um ano ao atalho: web.archive.org/web/2019/ seguido da URL pula direto para a captura mais próxima de 2019, em vez de fazer você rolar o calendário. Um truque simples, mas que poupa muito tempo quando você está checando uma dúzia de URLs seguidas.

Wayback Machine: a espinha dorsal da recuperação de páginas web antigas

A Wayback Machine é onde a maioria das recuperações de páginas únicas começa e termina, então aprenda suas duas peculiaridades. Primeiro, o calendário marca as datas de captura com círculos, círculos maiores significam mais capturas naquele dia, e os anos saudáveis são os que você deve explorar, não o ano em que o domínio morreu. As últimas capturas de um site morrendo geralmente são páginas de estacionamento. Segundo, o que você recupera é um snapshot: as imagens carregam de cópias arquivadas, os links apontam para outras páginas arquivadas e o formulário de contato agora não faz nada.

Mais dois truques úteis. A visualização 'Changes' destaca o que diferiu entre as capturas, útil quando você precisa da versão de antes de alguém editar a parte que você veio buscar. E se a Wayback não tiver nada, não pare por aí. É o maior arquivo, mas não o único.

archive.today: o plano de backup que costuma vencer

archive.today, também acessível como archive.ph, archive.li e alguns outros espelhos, é uma fera diferente. Ele salva páginas sob demanda em vez de rastrear em um cronograma, não obedece às mesmas solicitações de exclusão e regularmente guarda páginas que a Wayback perdeu totalmente. Pesquise a URL na página inicial: se alguém, em qualquer lugar, já colou esse link na caixa de salvamento dele, o snapshot estará lá.

As capturas dele também lidam melhor com páginas modernas. Ele renderiza o JavaScript antes de salvar, então páginas que aparecem como cascas vazias na Wayback às vezes voltam completas. A contrapartida é que tudo é manual, uma página por vez, bom para uma única página, doloroso para cinquenta.

O que aconteceu com o cache do Google e do Bing

Por vinte anos a resposta mais rápida para 'a página sumiu' era a cópia em cache do Google. Isso acabou em fevereiro de 2024, quando o Google aposentou o operador de busca cache: e removeu os links 'Em cache' dos resultados. A justificativa oficial foi que as páginas carregam de forma confiável o suficiente hoje em dia para que ninguém precise disso, um consolo mísero enquanto você encara um 404.

O Bing manteve um link de página em cache por mais tempo, escondido no menu ao lado de cada resultado, mas também está sendo descontinuado. Se você ainda vê um, use-o enquanto dura. Os caches de motores de busca só guardavam o rastreamento mais recente de qualquer forma, o que os torna inúteis para uma página que desapareceu anos atrás, mas para uma página deletada na última terça-feira, eles podem ser a única cópia que já existiu.

Lugares que as pessoas esquecem de checar

• Citações na Wikipédia. Se a página foi citada na Wikipédia, a citação geralmente inclui um link 'arquivado do original' para um snapshot. Verifique o histórico de edição do artigo também.
• Common Crawl. Um conjunto de dados de rastreamento público e gratuito em index.commoncrawl.org. HTML bruto, sem interface bonita, difícil de consultar, e páginas que ninguém mais guardou.
• Leitores de RSS. Feedly, Inoreader e afins armazenam o texto dos artigos buscados. Se a página era um post de blog com um feed, o texto completo pode estar agora em leitores de desconhecidos.
• Seu próprio navegador. Se você visitou a página recentemente, seu histórico confirma a URL exata, e um recarregamento às vezes puxa a página do cache em disco antes do 404 chegar. Baixas chances, custo zero.
• Aplicativos de leitura posterior. Salvamentos no Pocket e Instapaper, seus ou do autor.
• O autor. Um e-mail curto, 'Eu citei seu artigo, você ainda tem uma cópia?', funciona com mais frequência do que as pessoas pensam.

Recuperação de páginas web antigas quando nada foi arquivado

Às vezes a resposta honesta é que não existe nenhum snapshot: a página era nova demais, o site bloqueou rastreadores ou vivia atrás de um login. A recuperação de páginas web antigas não termina aí, mas as ferramentas mudam de arquivos para análise forense.

Pesquise frases distintivas da página entre aspas, sites que sindicaram, citaram ou simplesmente plagiaram o conteúdo aparecerão, e você pode reconstruir a essência a partir deles. Pesquise apenas o título da página: reformas mudam o conteúdo para novas URLs o tempo todo sem avisar ninguém, e a página 'deletada' muitas vezes vive em um novo endereço no mesmo site. Procure versões em PDF ou para impressão; documentações e conteúdos acadêmicos costumam ter uma. E verifique quem linkou para ela, um blogueiro que resumiu a página em detalhes já fez metade da sua reconstrução.

Recuperação de páginas web antigas: qual fonte tentar primeiro

Uma página é um trabalho de dez minutos com esta tabela. Vinte páginas do mesmo site não são mais recuperação de páginas web antigas, isso é restauração de site. Quando você chegar a esse ponto, pare de buscar URLs uma de cada vez e restaure em massa: o serviço de restauração de sites oferece uma estimativa gratuita com a contagem exata de arquivos arquivados antes de você gastar qualquer coisa, o que também diz se o site vale a pena ser restaurado. Se o site inteiro sumiu, consulte recuperação de sites antigos para a versão de site completo deste guia.

Salve a página corretamente desta vez

Seja lá o que você recuperar, assuma que pode sumir de novo, arquivos têm lacunas, regras de exclusão mudam, serviços vêm e vão. Salve a página de três maneiras, agora mesmo. Envie a URL ativa para o Save Page Now da Wayback Machine para que um snapshot novo exista na sua agenda. Envie para o archive.today como uma segunda cópia independente. E mantenha uma cópia local que nenhum serviço controla: um salvar em PDF, ou um salvamento de HTML em arquivo único do seu navegador. Três cópias em três sistemas soa paranoico até o dia em que soa óbvio.

Se a página recuperada é sua e vai voltar ao ar, a mesma lógica se aplica: restaure o site corretamente, mantenha os arquivos editáveis e nunca mais dependa da memória de um rastreador para o seu próprio conteúdo. O tutorial do Restorix percorre uma restauração completa se você quiser ver o processo antes de se comprometer.