Archiveorg：探秘互联网最大的免费图书馆

那些把 archiveorg 写成一个词的人，通常知道他们想去哪里, 但他们并不总是知道这里面到底有多少内容。大多数人是为了 Wayback Machine 而来，却从未注意到借阅图书馆、音乐会档案、电视新闻档案，或者正在下一个标签页中运行的软件博物馆。好吧，可以理解。这里是完整的导览，把面向网站所有者的网络用例留到最后，因为从那里开始，它就不再仅仅是娱乐，而是开始产生实际价值了。

Archiveorg 到底是什么

Archiveorg, 准确来说是 Archive.org, 是互联网档案馆（Internet Archive）的网站，这是一个 1996 年成立于旧金山的非营利数字图书馆。它的使命宣言是“实现全人类知识的普遍访问”，而这个网站正是这一抱负的体现，配有一个搜索框：一个免费账户，没有付费墙，没有广告，一切内容开放浏览。

首页按媒体类型组织, 网页、文本、视频、音频、软件、图片, 每种都有自己的搜索和筛选功能。浏览时账户可选，但借阅图书或上传文件则需要账户。资金来自捐款、资助以及与图书馆的数字化合同，这就是为什么网站偶尔会请你赞助几美元，其他时候则不会打扰你。

Wayback Machine：Archiveorg 的网络时空胶囊

皇冠上的明珠。Wayback Machine 保存了超过 9000 亿个可回溯至 1996 年的捕获网页, 这是关于互联网在任何时刻样貌的最庞大的公共记录。粘贴一个网址，就会看到一个捕获日历，点击一个日期，页面就会以当时的样貌加载，包括破损的横幅广告等一切。

两个功能超乎其外表。Save Page Now（位于 web.archive.org/save）允许任何人即时存档一个页面, 在发布和迁移后使用它，以固定一个你可控的记录。通配符网址搜索（web.archive.org/web/*/example.com）可枚举一个域名下所有被捕获的地址，这就是你找到那些你忘记存在过的页面的方法。关于完整机制, 日历技巧、id_原始文件修改器、摘要视图, 请阅读 Wayback Machine 使用指南。

不过，捕获并不均匀。一个繁忙的新闻首页可能一年被保存数千次；而一家社区面包店网站可能只有两次。Robots.txt 规则在过去曾隐藏过整个域名，而任何需要登录的内容对爬虫来说都从未存在过。将缺失的捕获视为不确定，而不是证明页面从未存在。

需要直言不讳地说明一点，因为它驱动了本文后面的所有内容：Wayback 是一个查看器。它向你展示页面，但不会给你一个可下载的站点。

可免费借阅的图书、音频和电视

文本收藏数量达数千万：包括扫描的图书、学术论文、杂志、手册。通过 Open Library，你可以借阅现代扫描图书，借阅时间一小时或两周，而任何公有领域的作品都可以免费下载为 PDF、ePub 或 Kindle 格式。光是杂志架, 旧电脑和游戏杂志，全部扫描, 就足以让你不虚此行。

还有两个较为安静的角落值得一提：开放获取研究的学术论文索引，以及手册档案，那里似乎汇集了你车库里每件废电器的手册。

音频部分以现场音乐档案为主，拥有超过十万场音乐会录音，其中 Grateful Dead 部分几乎自成一个机构。再加上老式广播剧和数字化 78 转唱片，意味着你有数年都听不完的内容。电视新闻档案录制广播节目并为其字幕编制索引，因此你可以找到某个话题在数年报道中的每次提及。还有 Prelinger 收藏：数千部旧时教育、工业和广告影片, 这是网上任何地方能找到的反映二十世纪中叶尴尬的绝佳来源。

一个可玩的软件博物馆

软件库是一匹黑马：数万款 MS-DOS 游戏、街机柜、主机游戏和历史应用程序，全部在浏览器中模拟运行。无需安装，无需摆弄模拟器配置文件, 点击一下，等几秒钟，你就在玩 1993 年的游戏了。历史生产力软件也在那里，听起来可能很枯燥，直到有一天你需要打开一种没有现代软件能读取的文件格式。

这个收藏的意义超越了怀旧。它是一个运作中的保存实验室，证明了在其硬件消亡数十年后，模拟仍然能让软件保持可运行。抽出一个下午吧；无论如何你都会沉迷其中。

街机区备受媒体关注, 数百台投币式游戏柜, 但更低调的珍品是历史 PC 收藏：早期的电子表格、桌面出版工具、在浏览器标签页中启动的完整操作系统。开发人员用它们来检查古老文件格式的表现；其他人则用它们来回忆过去人们是多么有耐心。

面向网站所有者和站长的 Archiveorg

现在来看能自我回报的部分。如果你运营网站，Archiveorg 是一个免费的运营工具：

• 监测自己的足迹。每年检查几次你的域名的捕获历史。空白告诉你爬虫何时无法访问你, 有时是 robots.txt 错误或无人报告的主机问题的第一个可见迹象。
• 用 Save Page Now 固定记录。正在启动重新设计或迁移平台？在前后保存关键网址。未来的你，在遇到事故时，会感激你。
• 审查过期域名。在购买弃用域名前，检查它曾经托管了什么。一个曾作为垃圾农场多年的域名会将其信誉带入你的项目。
• 恢复丢失的内容。备份会失败；档案会记得。从快照中提取的文字和图片已经拯救了不止一些“我们再也不会需要那个”的页面。
• 进行竞争性的考古调查。竞争对手何时提价？取消某个功能？品牌重塑？他们的旧页面都有时间戳，并且是公开的。

还有一个：证据。带有时间戳的捕获经常被用于证实某个页面在特定日期说了什么, 在争议、删除请求和尽职调查中。截取包含时间戳的工具条，而不仅仅是页面。

从 Archiveorg 获取实际文件

查看不等于检索。如果任务是“重建这个网站”, 比如主机清除了客户的 WooCommerce 商店，管理员遗弃了社区论坛, 你需要提取。网站恢复服务 正是为此而生：它将域的存档副本从 Wayback Machine 中提取出来，并作为可工作的文件返回。

1. 从免费估价开始：确切的存档文件数量、总大小以及锁定价格。你在支付一分钱之前就知道成本。
2. 选择捕获日期范围和清理选项, 移除旧的分析脚本、广告、iframe 和外部链接，压缩资源，使内部链接相对化，强制 HTTPS，保留重定向。
3. 按恢复的文件付费；第一个文件免费。一次性充值余额, 没有重复收费，恢复失败自动退款。
4. 下载结果，将文章导出为带完整文件清单的 XML、CSV 或 JSON，或一键部署到你的服务器。附带的 Restorix CMS 让你无需接触代码即可编辑恢复的内容。

关于域名救援的具体情况, 过期域名、失效主机、资源缺失的网站, 旧网站恢复指南有更深入的说明，而教程展示了从估价到部署的完整恢复过程。

图书馆无法为你做的事

一个简短而诚实的清单。它不能作为你的备份：爬取频率不受你控制，JavaScript 繁重的现代网站捕获不佳。整个网页存档没有全文搜索, 只有 URL，没有页面文本。登录和付费内容从未被爬取。网站所有者可以要求排除，所以有些域名根本不在那里。在网页方面也没有批量下载，这一点值得重复强调，因为这是每个人都会带来的问题。

这些都不会减损其价值。它是一个免费的公共图书馆，拥有拍字节规模的网络记忆，由一家非营利组织运营，预算之低会让一家中型初创公司都感到难堪。把它当成你查找的首选之地, 并知道当查找不再足够时该去哪。