Archive.org 网站：高级搜索、筛选器与合集

大多数人对 Archive.org 网站的使用往往只有一次：把一个失效的网址粘进 Wayback Machine，截一张图，然后离开。这其实浪费了一个功能强大的工具。在同一个登录入口背后，藏着一座完整的数字图书馆, 数千万条资源, 拥有独立的搜索引擎、查询语法和几乎无人问津的筛选器。

多年来，我一直在 Archive.org 中挖掘客户网站、已停更的软件和扫描版手册。两分钟找到和二十分钟放弃之间的差别很少靠运气。关键在于知道该用哪个搜索框、点哪个筛选器。这才是我真正在用的工作流。

Archive.org 网站实际索引了什么

混淆就从这里开始。Archive.org 运行着两套共享同一 Logo 的不同系统。条目（item）档案, 从首页搜索到的内容, 保存着上传和抓取的对象：书籍、音乐会、软件、视频、广播节目。每个条目都有元数据、文件列表和评论。而 Wayback Machine（位于 web.archive.org）保存着按 URL 索引的网页快照，总数超过 9000 亿。

这对老网站来说为什么重要？因为一个已经下线的站点会以不同形式出现在两套系统里。Wayback 那侧有页面；条目那侧则可能保存着 Archive Team 对整个服务的抢救式抓取, 你的站点曾经寄宿过的 GeoCities、FortuneCity、MobileMe, 被打包成可下载的 WARC 文件。如果你只用其中一扇门，就会错过另一扇。

• 文本：扫描版书籍、手册、杂志, 支持全文搜索
• 软件：从共享软件光盘到老旧浏览器和 Flash 播放器，应有尽有
• 音频与视频：现场音乐会、广播档案、新闻短片、广告
• 网页条目：抓集合集与 Archive Team 抓取，保存为 WARC 文件
• 图像与数据：照片集、地图扫描、研究数据集

Archive.org 网站上的高级搜索

首页的搜索框用来搜 Beatles 的盗版唱片还行。要做精准检索，请进入高级搜索页面, archive.org/advancedsearch.php, 或者自己写查询语句。其语法类似 Lucene 而且非常严格：字段名必须小写，区间用方括号，布尔运算符必须大写。任意一处写错，你都会悄无声息地得到一堆垃圾结果。

一条查找 2005 到 2010 年间 Joomla 相关软件的查询语句长这样：title:(joomla) AND mediatype:software AND date:[2005-01-01 TO 2010-12-31]。把它粘进搜索框就能直接生效，无需表单。

• identifier:, 条目的精确 URL 标识；这是最快的查询方式
• collection:, 限定到某个合集，例如 collection:archiveteam
• creator: 与 title:, 模糊但有效，记得给短语加引号
• date:[YYYY-MM-DD TO YYYY-MM-DD], 收录日期区间，而非原始发布日期
• mediatype:, texts、software、audio、movies、image、web、data
• NOT、AND、OR 与括号, 可自由组合，但务必大写

一个常见的坑：date: 过滤的是条目进入档案库的日期，而不是内容产出的时间。一份 2003 年的手册在 2019 年上传，会匹配 2019。

真正起作用的筛选器

结果加载之后，时间都省在左侧边栏上。你可以按媒体类型、年份、合集、创建者和语言进行筛选，也可以按相关度、查看次数（总计或周榜）、收录日期或标题排序。大多数搜索失败并不是因为资料不存在，而是因为它们被两百条播客节目埋在了第九页。筛选器能解决这问题。

1. 先按 mediatype 筛选。跨全库搜一个停更的 CMS 会被音频内容淹没。
2. 想找有人维护的资料时，按周查看次数排序, 大众的判断是相当靠谱的质量信号。
3. 把合集和年份筛选叠加使用，可以还原出某块网络在比如 2008 年的样子。

对老网站而言值得认识的合集

合集相当于策展过的书架，其中有几个对寻找老网站的人来说堪称金矿：

• archiveteam, 对濒死服务进行的仓促但满怀热爱的抢救抓取：GeoCities、FortuneCity、Posterous、MobileMe。常包含对整个托管平台的完整 WARC 抓取。
• geocities 及其镜像, Yahoo! GeoCities 救援项目，是史上规模最大的个人网页一次性恢复行动。
• widecrawl 与其他抓集合集, Internet Archive 的大批量抓取，在 Wayback 的逐 URL 视图出现缺漏时尤其有用。
• 软件库合集, 老旧浏览器、Flash、Shockwave、Java 小程序。要真正运行老站点当时提供的内容，这些必不可少。
• cd-rom 软件库, 装满时代特征明显的建站工具、计数器和留言板脚本的共享软件光盘。

从合集页面开始，而不是搜索框。维护者通常会说明收录内容、抓取方式和文件布局, 这些背景信息能让你在凌晨两点少走弯路。

Archive.org 网站 vs. Wayback Machine：该走哪扇门

经验法则：如果你能报出 URL，从 Wayback Machine 开始；如果你只能描述一个东西, 比如 2007 年大家都在用的那款 phpBB 主题, 那条目搜索更胜一筹。要做完整还原，你通常会两边都用：条目侧提供抓取和 CDX 数据，Wayback 侧提供页面快照。

实战工作流：寻找客户的失效论坛

一个真实案例。客户一个 2009 年的 phpBB 论坛在 2014 年托管商倒闭时随之消失，域名停放多年，他们希望把内容找回来。下面是实际奏效的步骤：

1. 对该域名运行 Wayback CDX 查询，绘制哪些 URL 被抓取以及何时被抓取, 共约 1400 次抓取，多集中在 2010 到 2012 年。
2. 在 collection:archiveteam 内用域名和站点名做条目搜索, 这次没有命中，但只花三十秒，值得一试。
3. 检查老托管商的合集, 该托管商本身被 Archive Team 部分抓取，填补了不少模板和图片缺口。
4. 对论坛所用软件做按年份筛选的搜索，取回一份年代相符的 phpBB 安装包作为参考。

总耗时约四十分钟，其中大部分在读 CDX 输出。真正懂得门道之后，搜索本身并不难。注意没有发生的事情：没有去猜 Google 缓存，没有去哀求老托管商的客服邮箱，也没花一分钱。档案库直接告诉我们哪些东西活了下来, 1400 次抓取、2013 年的一段已知空白、以及一段用来打补丁的部分抢救抓取。这份 CDX 数据也正是 Restorix 估算时用来统计文件数量和定价的依据，这个故事下文继续。

Archive.org 网站不够用的时候

上面这些方法能找到资料，却不会给你一个能跑的网站。Wayback 的快照带着被改写的 URL、缺失的图片、死掉的表单，以及指向你已无法控制域名的绝对链接。靠手工从原始抓取中重建一个站点，意味着数天沉浸在 sed 脚本与后悔之中。

这个空缺正是 Restorix 的设计初衷。粘入 URL，免费估算即可在付款前显示准确的归档文件数、总大小和锁定的价格。还原过程可以剥离统计代码和广告、把链接转为相对路径、强制 HTTPS，并直接部署到你的 VPS、FTP 主机或 S3, 还内置单文件 CMS，方便你编辑恢复出来的内容。

用 Archive.org 网站做侦察：核实内容存在与否、什么时间存在、留存了多少。然后把重建工作交给工具。你的时间比一个周末的 WARC 解析更值钱。