Wayback Back Machine: Não importa como você digite, veja como usar

Você pesquisou por 'wayback back machine'. Talvez seus dedos tenham duplicado uma palavra, talvez o nome simplesmente fique atravessado na sua memória. Não importa. A ferramenta que você quer é o Wayback Machine em web.archive.org, e este guia cobre as três coisas que as pessoas realmente precisam dela: encontrar um snapshot, baixar uma página e restaurar um site inteiro quando o original já era.

Eu venho tirando sites desse arquivo há anos, um fórum phpBB de 2009 para um cliente, uma loja WooCommerce cuja fatura de hospedagem morreu numa pasta de spam para outro. A ferramenta é a mesma toda vez. A técnica é o que muda.

Por que tanta gente digita 'Wayback Back Machine'

O nome oficial tem um ritmo estranho, então os logs de busca se enchem de variações. 'Wayback back machine' é uma das mais comuns. Você também vai ver 'machine way back', 'the way back machine' e 'internet wayback machine'. Todas elas caem no mesmo lugar: o arquivo web do Internet Archive.

O nome vem da máquina WABAC, o gadget de viagem no tempo do desenho Os Picapau e Bulletins Intergalácticos. Diga uma vez com isso em mente e ele para de escapar. Wayback. Uma palavra, sem 'back' extra.

O Google perdoa o erro de digitação. O arquivo também. O que importa é o que você faz quando o calendário carrega.

Encontrando um Snapshot no Wayback Machine

Abra web.archive.org e cole o endereço completo da página ou site na caixa de busca. O que volta é uma linha do tempo: um sparkline de capturas por ano no topo e um calendário abaixo. Dias com capturas têm círculos coloridos. Azul significa que o crawler obteve uma resposta 2xx limpa, verde significa redirecionamento, laranja e vermelho significam erros. Um círculo maior significa mais capturas naquele dia.

1. Cole a URL com ou sem o protocolo, o arquivo normaliza.
2. Clique num ano no sparkline, depois passe o mouse numa data e escolha um timestamp.
3. Verifique se a página realmente renderiza. Uma captura pode existir e ainda assim estar quebrada.
4. Clique dentro do snapshot. Links internos e assets também carregam a partir do arquivo.
5. Teste as variantes com www e sem www, e http contra https. Sites antigos costumam ser arquivados de forma desigual entre elas.

Não lembra de um endereço exato? Abra a página de calendário do site e use a visualização de URLs para listar os caminhos capturados. Ela traz à tona páginas que você nem lembrava que existiam, que é geralmente onde mora o conteúdo que você realmente sente falta.

Um hábito que economiza aborrecimentos: nunca julgue uma data só pela homepage. A homepage é a página mais capturada de qualquer site, então quase sempre parece boa. Antes de se comprometer com uma data, abra duas ou três páginas mais profundas, um produto, um post de blog, uma página de contato, e confirme que elas renderizam com imagens e estilos. Quinze minutos clicando aqui evitam um dia de retrabalho depois.

Baixando uma Única Página

Para uma página você tem três métodos viáveis, do mais preguiçoso ao mais cirúrgico.

1. Salvar pelo navegador. Abra o snapshot, pressione Ctrl+S, escolha 'Página da web, completa'. Você recebe o HTML mais os assets, com a marcação de reescrita do arquivo já embutida. Bom para ler, bagunçado para reutilizar.
2. O sufixo id_. Edite a URL do snapshot para que o timestamp termine em id_, como https://web.archive.org/web/20140601120000id_/http://example.com/, e o arquivo serve a página exatamente como foi capturada: sem toolbar, sem links reescritos. Veja o código-fonte e copie o que precisar.
3. wget. Aponte wget -p -k para a URL com id_ para puxar a página e seus requisitos de uma vez. Esse é o método para usar quando você também quer as imagens.

Os três servem para uma página ou duas. Por volta da página cinquenta eles deixam de ser método e começam a ser punição.

Seja qual for o método escolhido, abra o arquivo salvo localmente antes de confiar nele. Confira se as imagens carregam do disco em vez de web.archive.org, e remova a marcação da toolbar injetada pelo arquivo se planeja republicar algo. Cinco minutos de higiene agora economizam uma bagunça de assets com hotlink depois.

Limites do Wayback Back Machine Quando Você Quer o Site Inteiro

O arquivo foi feito para navegar pela história, não para devolver seu site para você. Isso aparece rápido quando você tenta recuperar mais do que algumas páginas.

• Não existe botão de download em massa. Cada arquivo, cada página, imagem, stylesheet, script, é uma captura separada.
• Páginas profundas raramente ou nunca são capturadas. Uma homepage pode ter 400 snapshots enquanto uma página de produto tem dois.
• Assets somem. O HTML pode ser de março enquanto o CSS nunca foi capturado.
• Rate limits transformam a extração página por página numa maratona de vários dias.
• Páginas montadas por JavaScript no momento da visualização frequentemente são arquivadas como cascas vazias.

Faça as contas antes de começar. Um site de 500 páginas a dois minutos por página dá mais de dezesseis horas clicando, e você ainda tem que consertar links, remover a marcação do arquivo e arranjar hospedagem. O quadro completo está no guia para baixar um site inteiro do archive.org.

Restaurando um Site Inteiro, Passo a Passo

Esse é o trabalho para o qual o nosso serviço de restauração foi feito. Cole o domínio e você recebe um orçamento instantâneo gratuito: a contagem exata de arquivos arquivados, tamanho total e um preço fixo antes de pagar qualquer coisa. Sem assinaturas, você adiciona saldo por cartão ou cripto e paga por arquivo restaurado. O primeiro arquivo é grátis.

1. Digite o domínio e analise o orçamento.
2. Escolha o intervalo de datas, para restaurar o site na sua melhor versão e não na mais recente.
3. Defina suas opções: remover analytics, anúncios e iframes, converter links internos para relativos, forçar HTTPS, minificar JS e CSS.
4. Execute a restauração e acompanhe o progresso ao vivo no painel.
5. Baixe o site finalizado, ou faça o deploy direto na sua hospedagem.

Os deploys são feitos com um clique para um VPS via SSH ou SFTP, hospedagem compartilhada FTP/FTPS, ou S3, com credenciais criptografadas em AES-256-GCM. Cada deploy inclui o Restorix CMS gratuito, um editor em arquivo PHP único em /webarchive-cms.php com senha por site exibida no painel, para você ajustar o conteúdo sem fazer novo deploy. O tutorial percorre todo o fluxo.

O Que o Wayback Back Machine Não Vai Salvar

Defina as expectativas antes de prometer uma recuperação completa para alguém. Parte do conteúdo simplesmente nunca entrou no arquivo.

• Páginas atrás de login ou paywall, crawlers também não conseguem entrar.
• Seções bloqueadas pelo robots.txt, que historicamente mantiveram crawlers fora.
• Conteúdo obtido via formulários e requisições POST, como resultados de busca internos.
• A maioria dos embeds de áudio e vídeo em streaming.
• Qualquer coisa gerada puramente no client-side por JavaScript que o crawler não executou.
• O próprio banco de dados. Você recebe HTML renderizado, não o dump do MySQL.

O fórum de um cliente voltou lindo, todos os tópicos de 2009 intactos. Os anexos de fotos viviam atrás de um login e se perderam. Saiba em qual categoria seu conteúdo se encaixa antes de começar a contar arquivos. Quando você precisa dos dados brutos de qualquer jeito, o Restorix pode exportar um export estruturado de artigos em XML, CSV ou JSON, além de um manifesto em JSON ou SQLite de cada arquivo restaurado, útil para auditar o que sobreviveu.

Mantendo Seu Site Restaurado no Ar

Um site restaurado é HTML estático, então a hospedagem é barata e simples. Mantenha os redirecionamentos 301 e 302 que a restauração preservou, escolha um host canônico, com www ou sem www, e coloque o site de volta no domínio antigo se ele ainda for seu. Os links antigos de entrada voltam a funcionar, o que é metade do valor de SEO de uma restauração.

Não importa como você digitou o nome, 'back' extra, palavras na ordem errada, o caminho de saída é o mesmo. Encontre o snapshot, salve o que importa e coloque o site de volta num host que você controla.