Wayback Machine vs Google: Encontre Páginas Perdidas Após o Cache

Por vinte anos, a maneira mais rápida de ver uma página que acabara de sair do ar era o link 'Em cache' do Google. Em fevereiro de 2024, o Google o removeu e, em setembro, o operador de busca cache: também deixou de funcionar. No mesmo ano, o Google fez algo inesperado: passou a incluir links para o Wayback Machine do Internet Archive no painel 'Sobre este resultado'. A mensagem era clara, o Google é um índice ao vivo, não um arquivo, e parou de fingir o contrário.

Mas as duas ferramentas ainda funcionam melhor juntas. Veja como eu as combino quando uma página ou um site inteiro desapareceu, incluindo os truques com operadores que sobreviveram à limpeza.

Wayback Machine vs Google: dois tipos diferentes de memória

O Google mantém um índice da web ao vivo. Ele rastreia constantemente, reescreve os rankings a cada hora e seu propósito é responder com o que é verdadeiro agora. Quando uma página muda, a versão antiga é descartada no próximo rastreamento. Quando a página desaparece, a listagem permanece por pouco tempo e depois some.

O Wayback Machine faz o oposto. É uma biblioteca de capturas que só acumula, remontando a 1996, mais de 900 bilhões de páginas. Não importa o que é relevante esta semana; importa o que a página dizia em 12 de março de 2014, e ele mostra exatamente aquela versão, com todos os elementos visuais.

Portanto, as ferramentas respondem a perguntas diferentes. Google: o que está nesta página agora? Wayback: o que esta página costumava dizer? A confusão entre os dois é o motivo pelo qual tantas pessoas acham que a web tem uma memória que não possui.

O que aconteceu com o cache do Google

Por duas décadas, cada resultado do Google escondia um link 'Em cache', um instantâneo da página como o Googlebot a viu pela última vez. Era a solução padrão quando uma página dava erro 404 cinco minutos antes de uma reunião. Em fevereiro de 2024, o Search Liaison do Google, Danny Sullivan, anunciou que o link seria descontinuado, argumentando que a confiabilidade das páginas havia melhorado e o uso havia caído. Em setembro de 2024, o operador de busca cache: parou de funcionar completamente.

Dois aspectos do momento são importantes. Primeiro, o cache nunca foi um arquivo: ele mantinha exatamente uma versão, o rastreamento mais recente, e a sobrescrevia constantemente. Perdê-lo nos custou o caso de uso de algo deletado pela manhã, não algo histórico. Segundo, no mesmo mês em que o cache morreu, o Google adicionou links para o Wayback Machine dentro do painel 'Sobre este resultado'. Clique nos três pontos ao lado de qualquer resultado, escolha 'Mais sobre esta página' e o Google o encaminha para as capturas do Internet Archive. O Google oficialmente direcionou seus usuários para a ferramenta que realmente faz o trabalho.

Para remoções muito recentes, as opções são mais limitadas agora: o Wayback rastreia páginas populares com frequência, o archive.today salva páginas sob demanda e os próprios snippets do Google permanecem nos resultados por dias após a página morrer. Isso geralmente é suficiente. Por pouco.

Use o Google para pesquisar o índice do Wayback Machine

O Wayback Machine tem uma busca de texto completo em beta, mas é inconsistente. A solução alternativa da qual ninguém fala: o Google indexa uma parte do próprio web.archive.org, e o Google é muito bom em buscas.

O padrão é simples: site:web.archive.org/web mais um domínio, um título ou, melhor ainda, uma frase que você lembra literalmente. Pesquisar site:web.archive.org "lamentamos informar" junto com o nome de uma marca revela avisos de descontinuação arquivados que a própria busca do Wayback não encontra. Comunicados de imprensa arquivados, posts de desculpas deletados, documentação antiga: tudo é válido.

Ajuste as expectativas corretamente. O Google indexou apenas uma fração das capturas do arquivo, a maioria desses 900 bilhões de páginas é invisível para ele. Uma busca sem resultados não prova nada; significa que não está na fatia do arquivo indexada pelo Google, não que não está arquivada. Trate o Google como uma camada de descoberta e o calendário do próprio Wayback como a fonte da verdade.

Truques com o operador site: no Google e no Wayback Machine

Estas são as consultas que eu realmente executo, aproximadamente em ordem:

1. site:example.com, o inventário mais rápido do que o Google ainda sabe sobre um site moribundo. Os snippets permanecem por dias ou semanas depois que as próprias páginas dão erro 404.
2. site:example.com inurl:blog (ou /products/, /docs/), divide um domínio grande em seções para que você possa verificar a cobertura por área.
3. site:example.com filetype:pdf, whitepapers antigos, manuais e fichas técnicas. Cada URL de PDF morto vai direto para a barra do Wayback.
4. "frase exata da página deletada", buscas entre aspas encontram cópias de raspadores, citações em fóruns e espelhos. Quanto mais distinta a frase, melhor.
5. before:2019-01-01, os operadores before: e after: direcionam os resultados para a época que lhe interessa.
6. site:web.archive.org/web "example.com", vai direto para as capturas que o Google indexou.

Depois de ter uma URL, dois atalhos economizam tempo de verdade. Cole-a no Wayback com web.archive.org/web/2/ seguido do endereço, o 2 redireciona para a captura mais próxima no tempo. Ou use a API de disponibilidade: archive.org/wayback/available?url=example.com/old-page retorna o instantâneo mais próximo como um JSON organizado, exatamente o que você quer dentro de scripts.

Quando o Google vence e quando o Wayback Machine vence

Uma tabela rápida de decisão:

O resumo: o Google encontra agulhas; o Wayback armazena palheiros. Se você precisa do inventário completo de URLs em vez de uma página, o caminho CDX é abordado passo a passo no guia para encontrar todas as páginas de um site.

Um exemplo prático: caçando uma página de produto extinta de 2012

Cenário real da primavera passada. A loja WooCommerce de um cliente havia substituído o antigo site Joomla anos antes; um revendedor precisava da ficha técnica de uma peça descontinuada, e os backups do próprio cliente estavam, nas palavras deles, 'em algum lugar de um HD'.

1. Executei site:clientdomain.com filetype:pdf e site:clientdomain.com inurl:products. O site ao vivo não tinha nada, mas um snippet persistente revelou o antigo padrão de URL do Joomla, index.php com um ID de artigo.
2. Colei o domínio no Wayback Machine e pulei para as capturas de 2012 usando o gráfico de calendário.
3. Naveguei da captura da página inicial para a seção de produtos. A primeira captura tinha imagens quebradas; uma captura quatro meses depois estava completa, com o PDF vinculado e funcional.
4. Fiz uma verificação cruzada no archive.today para as poucas páginas que o Wayback havia perdido.

Tempo total: cerca de dez minutos. Sem os truques com operadores, é uma noite de becos sem saída. Os movimentos são simples; saber qual ferramenta responde a qual pergunta é toda a habilidade.

Um detalhe que vale a pena lembrar desse trabalho: as imagens quebradas na primeira captura não estavam perdidas, apenas assíncronas. O Wayback rastreia páginas e seus ativos em momentos diferentes, então uma página capturada em março pode referenciar imagens capturadas em junho. Quando uma captura parece meio vazia, não desista, avance ou retroceda alguns meses e as peças faltantes geralmente se completam. Os snippets do Google sofrem da mesma defasagem de atualização, e é por isso que um snippet pode citar um parágrafo que a página atual não contém mais.

Das páginas encontradas a um site funcional novamente

Encontrar as páginas é a parte divertida. Reconstruir um site a partir de capturas não é: clique com o botão direito, salvar como, renomear ativos, reparar caminhos, e na página quarenta você descobre que a folha de estilo está em uma data de captura diferente. Já vi pessoas queimarem um fim de semana em um site de quinze páginas.

Esse é o problema que o Restorix automatiza. A estimativa gratuita lê o índice CDX do Wayback e informa a contagem exata de arquivos arquivados, o tamanho total e um preço fixo antes de você pagar qualquer coisa. As restaurações são pagas por arquivo, com o primeiro arquivo grátis; você pode remover os códigos de analytics e anúncios da época, e o site reconstruído é implantado em sua própria hospedagem com um clique, ou exportado como dados estruturados se preferir fazer self-hosting. Quando o Google e o Wayback Machine mostraram o que existia, é assim que você o recupera.