Восстановление старых веб-страниц: самые быстрые способы найти утерянную страницу

Кто-то присылает вам ссылку. Вы переходите по ней, и вместо страницы видите ошибку 404, или, что хуже, припаркованный домен, забитый рекламой лекарств и криптовалют. Эта страница существовала в прошлом году. Вы знаете, что это так. Возможно, вы даже цитировали её. Восстановление старых веб-страниц, это искусство вернуть именно эту одну страницу, и в отличие от восстановления целого сайта, это обычно десятиминутная задача, если вы обращаетесь к нужным источникам в правильном порядке.

Вот порядок, который я использую, от самого быстрого к медленному, с реальными показателями успеха. Хорошая новость: для публичной страницы, которая просуществовала больше нескольких месяцев, шансы сильно в вашу пользу.

Восстановление старых веб-страниц: начните с самого быстрого источника

Самый быстрый шаг в восстановлении старых веб-страниц ничего не стоит и занимает пять секунд. Вставьте мёртвую ссылку в адресную строку Wayback Machine, или используйте сокращение web.archive.org/web/ за которым следует URL, и вы получите календарь всех когда-либо сделанных снимков. Выберите дату, получите страницу. Для страниц, которые были публичными год и более, это работает примерно в восьми случаях из десяти, по моему опыту.

Если вы примерно знаете, когда страница была жива, добавьте год к сокращению: web.archive.org/web/2019/ за которым следует URL, перейдёт сразу к ближайшему снимку 2019 года, вместо того чтобы листать календарь. Маленькая хитрость, но экономит реальное время, когда вы проверяете дюжину ссылок подряд.

Wayback Machine: основа восстановления старых веб-страниц

Wayback Machine, это место, где начинается и заканчивается большинство восстановлений отдельных страниц, так что изучите его две особенности. Во-первых, календарь отмечает даты снимков кружками, большие кружки означают больше снимков в этот день, и здоровые годы это те, которые стоит изучать, а не год, когда домен умер. Последние снимки умирающего сайта обычно представляют собой заглушки. Во-вторых, то, что вы получаете, это снимок: изображения загружаются из архивных копий, ссылки ведут на другие архивные страницы, а форма обратной связи теперь ничего не делает.

Ещё два полезных действия. Представление «Изменения» выделяет различия между снимками, удобно, когда вам нужна версия до того, как кто-то удалил тот фрагмент, ради которого вы пришли. А если в Wayback ничего нет, не останавливайтесь на этом. Это самый большой архив, но не единственный.

archive.today: запасной план, который часто побеждает

archive.today, также доступен как archive.ph, archive.li и несколько других зеркал, это совершенно другой инструмент. Он сохраняет страницы по запросу, а не сканирует по расписанию, не учитывает те же запросы на исключение и регулярно хранит страницы, которые Wayback полностью пропустил. Поищите URL на его главной странице: если кто-либо, где-либо когда-либо вставил эту ссылку в его форму сохранения, снимок будет там.

Его снимки также лучше работают с современными страницами. Он рендерит JavaScript перед сохранением, поэтому страницы, которые выглядят как пустые оболочки в Wayback, иногда возвращаются полностью. Компромисс в том, что всё делается вручную, по одной странице, нормально для одной страницы, мучительно для пятидесяти.

Что случилось с кэшем Google и Bing

На протяжении двадцати лет самым быстрым ответом на «страница исчезла» была кэшированная копия Google. Это закончилось в феврале 2024 года, когда Google удалил оператор поиска cache: и убрал ссылки «Кэш» из результатов. Официальное обоснование было таким: теперь страницы загружаются достаточно надёжно, и никому это не нужно, слабое утешение, когда вы смотрите на ошибку 404.

Bing дольше сохранял ссылку на кэшированную страницу, спрятанную в меню рядом с каждым результатом, но и она постепенно уходит. Если вы всё ещё видите такую ссылку, используйте её, пока она есть. Кэши поисковых систем всегда хранили только последний обход, что делает их бесполезными для страницы, исчезнувшей много лет назад, но для страницы, удалённой на прошлой неделе, они могут быть единственной копией, которая когда-либо существовала.

Места, которые люди забывают проверить

• Ссылки в Википедии. Если страница когда-либо цитировалась в Википедии, ссылка обычно содержит ссылку «сохранено в архиве» на снимок. Также проверьте историю правок статьи.
• Common Crawl. Бесплатный публичный набор данных для обхода на index.commoncrawl.org. Необработанный HTML, без красивого интерфейса, неудобен для запросов, и содержит страницы, которые больше никто не сохранил.
• RSS-ридеры. Feedly, Inoreader и подобные сервисы хранят текст загруженных статей. Если страница была постом в блоге с лентой, её полный текст может сейчас находиться в ридерах незнакомых людей.
• Ваш собственный браузер. Если вы недавно посещали страницу, ваша история подтвердит точный URL, а перезагрузка иногда подтягивает страницу из дискового кэша до появления ошибки 404. Маленькие шансы, нулевые затраты.
• Приложения для чтения «на потом». Сохранения в Pocket и Instapaper, ваши или автора.
• Автор. Короткое письмо, «Я цитировал вашу работу, у вас ещё есть копия?», работает чаще, чем люди думают.

Восстановление старых веб-страниц, когда ничего не было заархивировано

Иногда честный ответ, снимка не существует: страница была слишком новой, сайт блокировал сканеры или она находилась за логином. Восстановление старых веб-страниц на этом не заканчивается, но инструменты меняются с архивов на криминалистику.

Ищите характерные фразы со страницы в кавычках, сайты, которые синдикалировали, цитировали или просто скопировали контент, проявятся, и вы сможете восстановить содержание по их копиям. Ищите только по заголовку страницы: при редизайнах контент часто переносят на новые URL без уведомления, и «удалённая» страница часто живёт по новому адресу на том же сайте. Ищите PDF или печатные версии; документация и академический контент особенно часто имеют таковые. И проверьте, кто на неё ссылался, блогер, подробно пересказавший страницу, уже сделал половину вашей работы по восстановлению.

Восстановление старых веб-страниц: какой источник попробовать первым

Одна страница, это десятиминутная работа с этой таблицей. Двадцать страниц с одного сайта, это уже не восстановление старых веб-страниц, а восстановление сайта. Когда вы дошли до этого момента, перестаньте извлекать ссылки по одной и восстанавливайте пакетно: Платформа Restorix предоставляет бесплатную оценку с точным количеством заархивированных файлов до любых затрат, что также покажет, стоит ли вообще восстанавливать сайт. Если весь сайт исчез, смотрите восстановление старого сайта для полной версии этого руководства.

Сохраните страницу правильно на этот раз

Что бы вы ни восстановили, считайте, что это может снова исчезнуть, в архивах есть пробелы, правила исключений меняются, сервисы приходят и уходят. Сохраните страницу тремя способами, прямо сейчас. Отправьте актуальный URL в «Сохранить страницу сейчас» в Wayback Machine, чтобы свежий снимок существовал по вашему расписанию. Отправьте его в archive.today как вторую, независимую копию. И храните локальную копию, которой не управляет ни один сервис: печать в PDF или сохранение в виде одного HTML-файла из браузера. Три копии в трёх системах кажутся паранойей до того дня, когда это покажется очевидным.

Если восстановленная страница ваша и возвращается в сеть, та же логика масштабируется: восстановите сайт правильно, храните файлы в редактируемом виде и больше никогда не полагайтесь на память сканера для собственного контента. Руководство по Restorix описывает полное восстановление, если вы хотите увидеть процесс до принятия решения.