如何从 Archive.org 下载网站：三种有效方法

网站没了。主机到期，客户也没有备份，留下的唯一副本躺在 Wayback Machine 上。这样的电话我接过太多次了，每次第一个问题都一样：能从 archive.org 下载网站并把它找回来吗？

可以。有三条现实的路径：手动保存页面、调用 CDX 接口编写脚本，或者让自动化还原服务替你完成抓取。三者的投入天差地别，选错了就要搭进去一整个周末。下面是每种方法真实的工作方式，以及来自一线从业者的诚实耗时估算。

从 Wayback Machine 下载网站的真正含义

Wayback Machine 不是一个可以用一键全部下载的网站文件夹。它是一个由单次抓取组成的庞大索引：每个页面、图片、样式表和脚本都分别存储，各自绑定到被抓取的那一刻。当你查看一个旧页面时，浏览器从一个抓取中拉取 HTML，再从另外几个抓取中拼接图片，即时拼装出来。

因此，下载一个网站意味着枚举成百上千个独立文件，逐个抓取，然后重写内部链接，让副本在 archive.org 之外也能正常工作。请记住这个模型, 它能解释下文每种方法的工作原理，也能解释为什么没有一个方法是“一键下载”。

方法一：逐页手动从 archive.org 下载网站

最朴素的方法，有时也是最合适的方法。你在 Wayback Machine 中打开目标快照，用浏览器逐页保存。对于一个只有五页的宣传站，这样做完全没问题。规模再大一些，就是在慢慢折磨自己。

1. 在你需要的快照日期打开已归档的页面。
2. 使用“另存为”，选择“网页，全部”，这样资源文件可以一并保存。
3. 对每个页面重复以上操作，包括那些只能从旧菜单才能进入的页面。
4. 打开保存的 HTML，从每个文件中剥离 Wayback 工具栏的标记。
5. 修复或直接接受那些仍然指向 web.archive.org 的资源链接。

这里有两个坑。保存下来的 HTML 仍然引用 web.archive.org 上的很多资源，所以一旦离线打开，或者归档站点某天响应变慢，你的副本就会立刻失效。而每个保存页面里都嵌入的工具栏标记，你只能逐个文件手动清除。我现在仍然用这种方法处理单页, 曾经有客户只需要他们旧的定价页面用于法律纠纷，一次保存花了不到两分钟。但他们那个 300 页的店铺就得另想办法了。

• 实际投入：包含资源清理的话，每个页面 5 到 10 分钟。
• 适用场景：最多 10 个页面，或仅抓取某个特定页面作为参考。
• 何时不再适用：页面达到几十个，或你需要干净原始标记的场合。

方法二：借助 CDX API 从 archive.org 下载网站

CDX API 是 Wayback Machine 的索引接口，也是查找某个域名归档文件列表的入口。一条请求就能以 JSON 格式返回完整账本：

web.archive.org/cdx/search/cdx?url=example.com/*&output=json&fl=timestamp,original,mimetype,statuscode&filter=statuscode:200&collapse=digest

这会返回所有抓取的时间戳、原始 URL 和 MIME 类型。collapse 参数可以对重复文件去重，这样同一个 logo 不会被下载 400 遍。之后用一个简单脚本遍历列表，逐个抓取文件。在时间戳 URL 上追加 id_, 例如 /web/20150312145531id_/http://example.com/style.css, archive.org 就会返回未经重写的原始字节。这个后缀，是获得干净副本与满是工具栏的页面之间的差别。

真正耗费你晚上的，是那些不性感的部分。archive.org 会限制过于激进的客户端，所以脚本需要礼貌的延迟和重试逻辑，否则你会盯着成片的 429 响应耗上好几个小时。带查询字符串的 URL 需要去重，否则会话 ID 会把一个 200 页的站点变成 9000 个文件的抓取。文件下载完成后，内部链接仍指向原域名，所以还需要一轮重写，才能让副本正常离线浏览。

• 实际投入：如果你经常写代码，编写和调试脚本需要 2 到 4 小时；如果不常写脚本，可能要花掉一个周末。抓取本身对几百个文件来说需要 30 到 90 分钟。
• 适用人群：开发者、档案工作者，以及希望对每个字节都拥有完全控制权的人。
• 何时不再适用：从未打开过终端的人，以及以小时计的紧迫截止日期。

无论你用什么脚本，请像真实访客那样测试结果：用任意一个本地 Web 服务器把文件夹跑起来，点击浏览一遍。图片路径断裂、链接跳到线上、字体缺失，五分钟之内你就会发现, 而在宣布大功告成之后才发现这些问题，会让人非常痛苦。

方法三：用自动化方式从 archive.org 下载网站

第三条路线让还原服务替你完成抓取、资源匹配和链接重写。当网站的重要性高于学习过程时，我会建议客户走这条路。使用 Restorix，你只需粘贴域名，就能立即获得一份免费估算：精确的归档文件数量、总大小，以及在你付款之前就锁定好的价格。选择日期范围，勾选你想要的选项，还原后的副本即可随时浏览, 也可以通过 SSH、FTP 或 S3 直接部署到你的主机。

• 值得留意的选项：相对内部链接、清除旧统计代码与广告、压缩 JS/CSS、强制 HTTPS、规范化 www 或非 www。
• 还原可以导出结构化清单（JSON 或 SQLite），让你清楚知道最终到底拿到了什么。
• 失败的还原会自动退款到账户余额，无需提交工单。

显而易见的问题是：需要花钱。按还原文件数计费，第一个文件免费，价格在估算时就锁定。个人博客的话，你可能更愿意自己写脚本。但对于客户那家当晚必须恢复上线的 WooCommerce 营收店铺，这笔费用通常只是整个事故中最便宜的一项。部署包还附带一个小型单文件 CMS，日后的小幅文字修改无需重新上传。

时间与投入，一目了然

注意，这个表衡量的是你的时间，而不是机器时间。脚本或服务可能耗费数小时啃完大型抓取，但那是趁你睡觉时在啃。任何还原任务中最稀缺的资源，都是当事人熬的那个晚上, 所以我按这个来定价。

一下午就能毁掉你的常见错误

• 把浏览器保存当成完整站点的方案。你会漏掉每一个没有手动打开过的页面，而老站里那些页面的藏身之处，往往连你自己都忘了。
• 忽略 id_ 修饰符，然后又纳闷为什么每个 HTML 文件里都嵌着 Wayback 工具栏的标记。
• 对 archive.org 发起高频并发请求。结果就是被限流，一小时的活拖成四小时。
• 跳过链接重写这一步。副本看起来一切正常，直到你点开任何链接。
• 假设每个页面都已被归档。先查一下 CDX 清单，让缺口变成已知数，而不是最后时刻的“惊喜”。

你该选哪一种方法？

不到十个页面：手动保存，接受标记上的瑕疵。你会写代码且想拥有控制权：那就搭建 CDX 脚本，并预留一个晚上。你希望又快又干净地拿回网站，不想当业余档案员：走自动化路线, 教程 用几分钟带你走完一次完整还原，免费估算会在你付款之前就告诉你文件数量和价格。

最后一件事：无论你选哪条路，现在就开始。Archive.org 是一份馈赠，但它过去也曾发生过宕机并承受过法律压力；“回头再说”正是网站被弄丢两次的典型开头。