Archive Wayback：如何在网站消失前保存它

电话通常是这样打来的：主机商关闭了服务器，建站的代理商两年前就关门了，唯一的备份是一个没人能找到的笔记本电脑上的 ZIP 文件。我听过无数个类似的故事。几乎每一个这样的网站，都可以通过一些不花钱、每月只需一小时的日常习惯来挽救。

archive wayback 的方法很简单：将 Wayback Machine 作为你主动喂养的第二道防线，把自己的真实备份作为第一道防线，并清楚知道如果两者都派上用场时该如何恢复。以下是我会按顺序设置的日常流程。

Wayback Archive 能保存什么, 以及永远无法保存什么

爬虫保存的是浏览器无需登录即可获取的内容：HTML 页面、图片、样式表、脚本、PDF 和其他公开文件。对于典型的宣传网站或博客来说，这几乎涵盖了所有重要的内容。

它永远无法保存的内容清单比人们想象的要长。

• 任何需要登录的内容：客户专区、管理后台、会员专属论坛。
• 数据库以及与数据库交互的逻辑。存档保存的是渲染后的页面，而不是生成页面的数据行。
• 表单处理程序、购物车和结账流程。你可能会得到表单的 HTML，但永远无法找回提交的数据。
• 仅在 JavaScript 运行后才出现的内容，因为爬虫抓取时没有执行脚本，只捕获了空壳。
• 你屏蔽的页面。robots.txt 中的 disallow 指令会告诉所有爬虫（包括存档爬虫）不要访问。
• 流媒体和非常大的下载文件，可能部分保存或完全无法保存，取决于它们的嵌入方式。

这些限制并不会让存档变得无用。它意味着你要清醒地存档：网站的公开面貌是可以恢复的，而背后的机制仍然是你自己的备份问题。

Save Page Now：按需存档

你无需等待爬虫。Internet Archive 的 Save Page Now 工具（位于 web.archive.org/save）可以按需免费捕获任何公开 URL。粘贴一个 URL，等待几秒钟，捕获结果就会带着新的时间戳存入公共存档。

免费账户可以解锁更有价值的功能：保存页面及其一层深度的外链页面、捕获截图，以及保留个人保存列表。还有浏览器扩展程序可一键保存，以及用于批量操作的 SPN2 API, 有了 API 密钥，你可以通过脚本甚至电子表格排队处理数百个 URL。

1. 每次有意义的更改后都保存：新着陆页、新定价、新条款、重要博客文章。
2. 每次有风险的操作前都保存：重新设计、迁移、CMS 升级、域名转移。
3. 始终验证。打开新捕获的页面，检查图片和样式是否确实加载成功。保存了一个损坏的页面，就只会保留损坏的页面。
4. 也要保存那些不起眼的 URL：/about、/contact、/terms、关键分类页面。首页无论如何都会被爬取；深层页面才是会消失的。

对 archive wayback 友好：让你的网站易于捕获

大多数网站无意中对存档不友好。一些低成本的修复就能改变这一点。

• 不要在 robots.txt 中屏蔽存档爬虫，也不要禁止访问你的资源文件夹（/wp-content/uploads、/static、/assets）。被屏蔽的图片和 CSS 正是旧存档看起来光秃秃的原因。
• 对重要内容进行服务端渲染。如果你的文字只在 JavaScript 执行后才存在，许多爬虫只会保存一个空壳。
• 保持干净的 sitemap.xml。爬虫用它来发现仅靠跟踪链接永远无法到达的深层页面。
• 保持 URL 稳定。每次不必要的 URL 更改都会使旧地址关联的存档历史成为孤本。
• 避免爬虫陷阱：无限日历、生成数百万个 URL 的分面搜索。爬虫会把预算浪费在垃圾内容上，而错过你真正的页面。

如果你使用 Cloudflare 或其他机器人过滤服务，请检查存档爬虫是否被拦截。一条屏蔽所有机器人的规则，也会阻止你自己历史的保存。

针对你自己网站的主动存档日常流程

每月一次，十五分钟：

1. 从你的站点地图或分析数据中复制前 20–30 个 URL，然后通过 Save Page Now 运行它们。使用 API，这只需一条命令。
2. 保存自上个月以来发生变化的任何页面。
3. 抽查上个月的存档：打开两三个捕获页面，确认它们确实能正常渲染。

每季度增加两个步骤：验证你的 robots.txt 仍然允许存档，并确认你的真实备份确实可以恢复, 从未测试过的备份只是传闻。在任何重新设计或平台迁移之前，对整个站点地图运行完整保存，而不仅仅是首页。迁移是网站历史消亡的地方。

还有一个低成本的习惯：在服务器之外的地方保存一份网站的纯文本 URL 地图, 站点地图本身就可以。如果你需要进行批量恢复，这份列表就是无价之宝，因为恢复工具可以直接基于它工作。

为什么存档不是备份

直说吧：Wayback Machine 是一座博物馆，而不是保险箱。你无法按下一个按钮就把网站从里面取出来。你可以逐页浏览，但没有整个网站的导出功能，无法保证每个页面或图片都被捕获，也没有服务级别承诺。网站所有者也可以请求删除。

因此，请保留真正的备份：主机快照、代码的 git 仓库、定期数据库转储，以及存储在服务器之外的副本, 老规矩是，备份只有存放在两个地方（其中一处异地）才算存在。存档的作用不同：它是独立的、带时间戳的、公开记录，记录着你的网站说过什么、展示过什么。这具有真正的价值, 用于争议、问责、证明某个页面存在过, 但它是对备份的补充，永远不能替代备份。

重新设计或迁移前的 archive wayback 检查清单

1. 对整个站点地图运行 Save Page Now，关键页面包含外链。
2. 进行一次全新的完整备份, 文件加数据库, 并将其存储在服务器之外。
3. 导出当前网站的 URL 列表，以构建重定向映射。
4. 在切换之前，规划好从每个旧 URL 到新对应 URL 的 301 重定向。
5. 上线后，保存新的关键页面，以便存档的时间线无缝延续。

如果你要迁移域名，请保留旧域名, 哪怕只保留一年的重定向，也能保留搜索权重和存档连续性。让它过期就等于把你的历史交给域名停放商，而停放域名正是好 URL 被遗忘的地方。

如果预防失败：从存档中恢复

有时你会接手一个烂摊子：一个死掉的网站，没有备份，存档是唯一剩下的来源。它比人们想象的更容易恢复。Restorix 网站恢复服务 会下载网站的所有存档文件, 页面、图片、样式、文档, 并将其重建为一个可运行的网站，还提供日期范围选项，让你可以定位到出问题之前的时期。

定价对绝望者很友好：估算免费，会显示确切的文件数量、总大小和锁定价格，然后你再付款；按恢复的文件付费，第一个文件免费；如果恢复或部署失败，余额会自动退款, 无需提交支持工单。部署只需一键，支持 SSH/SFTP、FTP 或 S3，每次部署都包含一个小型单文件 CMS，因此救回的网站是可编辑的，而不是一座冻结的雕像。

在一个小网站上走一遍流程, 教程大约需要十分钟, 你就会知道，当有人打来那个电话时，你该做什么。