Wayback Machine 与网络历史遗址：旧互联网的栖息地

2009 年 10 月，雅虎关闭了 GeoCities。数百万手工搭建的个人主页, MIDI 音乐、写着「施工中」的 GIF 动图、纪念早已被遗忘的电视节目的祭坛页, 在短短几个月的通知期后被标记删除。一个名为 Archive Team 的志愿者团队在那几个月里以雅虎服务器允许的最快速度疯狂抓取，并将成果以种子文件形式发布。正是这场救援，让网络历史遗址成为你今天仍能亲自造访、而不仅仅停留在记忆中的地方。

搜索词可能很笨拙, wayback machine、webhistorical web sites，词序可能乱七八糟, 但背后的疑问其实很简单：旧互联网保存在哪里，现在还能看到吗？能。下面就是这些保存点的导览：从拥有数千亿次抓取的 Wayback Machine，到一个可以让你在仿真的 Netscape Navigator 浏览器里浏览 1997 年网页的网站。文末还有实用的部分：如何把一段历史从博物馆的架子上取下来，放回你自己的域名上线。

什么算作网络历史遗址？

人们常把三类东西混为一谈。第一类，大型爬虫档案馆, Wayback Machine 以及它那些国家级图书馆的同类, 按计划对网页进行快照。第二类，救援合集：GeoCities、Tripod、AOL Hometown 等已经死去的平台，由志愿者在关站前批量抢救并重新托管。第三类，活体博物馆：像 oldweb.today 这类项目，不只是保存页面，而是复现浏览那个年代网页的真实体验，包括浏览器当年的外观细节。

这种需求并非出于情怀。皮尤研究中心 2024 年的一项研究显示，2013 年存在过的网页中，有 38% 在十年后已无法访问。网页消失并不是因为有人宣布历史结束了，而是因为信用卡过期了、公司被收购了、CMS 升级出错了。网络历史遗址是为这种没有纸质版的媒介兜底的安全网。

值得保存的内容通常分为几类：

• 2010 年前手写的 HTML, 表格布局、间隔 GIF、留言板
• 已消亡的平台：GeoCities、Tripod、Angelfire、MySpace 博客、Google+
• phpBB 和 vBulletin 上的论坛社区，往往是某项小众爱好唯一的记录
• 早于社交媒体的早期博客和图片博客
• 已消失的小型商业网站和俱乐部网站, 那些别人没有归档的地方史

Wayback Machine 如何成为最大的网络历史遗址收藏

Internet Archive 由 Brewster Kahle 于 1996 年创立，并在 2001 年向公众开放了 Wayback Machine。它如今保存着数千亿次网页抓取，仍然是「这个网站五年前长什么样」这一问题的默认答案。日历视图能让人一眼看出抓取密度；时间地图列出某个 URL 的每一次快照；Save Page Now 让任何人都能即时归档眼前的页面，这也是为什么突发新闻发生后，相关的近期网页能在几分钟内被收录。

有两个小技巧值得知道。在 URL 的时间戳后面加上 id_, 例如 web.archive.org/web/20090601id_/http://example.com, 就能获得与抓取时完全一致的原始文件，没有档案馆注入的横幅和改写后的链接。CDX API 则能列出某 URL 模式下所有的抓取记录，这也是专业人员在动手之前盘点整个已死网站的方式。

抓取的缺漏同样重要。Wayback Machine 历来遵守 robots.txt，因此一些老站点的覆盖很稀薄。重度依赖 JavaScript 的页面往往只抓到了外壳，没有抓到内容。托管在其他域名上的图片和文件则经常被遗漏。当某次抓取看起来残缺时，第一反应是试试早几个月或晚几个月的版本, 不同日期的覆盖质量差异巨大。

GeoCities 与拒绝让它消亡的拯救项目

GeoCities 在 1999 年被雅虎收购时，是全网访问量第三的网站。十年后雅虎将其关闭，Archive Team 的紧急抓取成为志愿者完成的、最大规模的数字保存行动之一。这些数据如今保存在 oocities.org 和 geocities.ws 等重新托管被救页面的网站上，以及 GifCities, Internet Archive 上专门搜索该合集中动图 GIF 的引擎。Richard Vijgen 的 Deleted City 把整个档案渲染成一张可缩放的地图，连「街区」都保留了下来；Cameron's World 则把它混剪成致敬拼贴。

两个衍生项目值得特别一提。One Terabyte of Kilobyte Age，由 Olia Lialina 和 Dragan Espenschied 维护的研究博客，多年来持续发布来自该合集的截图与评论文章, 是旧互联网最接近策展项目的东西。而 2013 年成立的 Neocities 则是活着的继承者：它不是档案馆，而是免费托管平台，让人重新手写个人主页，GeoCities 风格自然也在其中。

GeoCities 留下的教训令人不安：只要托管在别人那里，就没有什么是永久的，无论公司多大。雅虎曾是互联网的巨人，这个平台的寿命恰好只比通知期长那么一点。

oldweb.today：在还原时代的浏览器中浏览旧网页

1997 年的网页是为 Netscape Navigator 4 或 Internet Explorer 5 写的。用现代浏览器打开，框架会塌掉，小程序会失效，字体被替换，<blink> 标签就这么静静地待着不闪, 现代渲染引擎拒绝执行。oldweb.today 由 Webrecorder 的 Ilya Kreymer 开发，它的解决方案是在你的浏览器里运行仿真的老式浏览器，再从 Internet Archive 和几个国家级网络档案馆中取页面喂给它。你可以选择 Mosaic、Netscape 或早期 IE，输入 URL 和年份，就能看到那一年网页「真的感觉到的样子」。

乍听像是噱头，但用于研究时就不一样了。间隔 GIF 的布局只有在当年的屏幕尺寸下才合理。为 IE4 写的 DHTML 菜单在现代引擎里毫无反应。如果你研究、引用或重建老站，用它们当年设计的浏览器来渲染，看到的才是标本本身，而不只是标本的照片。同一个团队开发的 ArchiveWeb.page 则走向另一端：它把你当前的浏览过程录制成标准 WACZ 文件，让今天你在意的网页成为他人未来精心保存的历史。

Wayback Machine 之外：更多值得了解的网络历史遗址

Wayback Machine 规模最大，但并非唯一。严肃的研究, 以及严肃的还原工作, 会交叉比对多个档案馆，因为每个爬虫看到的只是互联网的不同切面。

国家级图书馆在这里值得被认真对待。呈缴制度意味着大英图书馆、法国国家图书馆及其他机构会系统性地抓取本国域名下的网站, 常常涵盖那些 Internet Archive 很少甚至从未抓取过的地方网站和政府网站。

从 Wayback Machine 还原网络历史遗址

逛博物馆是一回事。有时候一段历史重要到值得让它重新运转起来：你俱乐部 2003 年的网站、一个已停更的开源项目文档、去世亲人的主页。去年就有一位客户带着这样的需求来找我, 她已故父亲运营的一个图片博客，自 2014 年起就一直离线。家人希望它能在一个周年纪念日回到原本的域名上。

1. 找到最完整的抓取。 使用日历视图并对比多个日期；最新的不一定是文件最全的。不同抓取之间，图片损坏的情况也不一样。
2. 在动手前先拿到真实清单。 Restorix 的免费估算 会读取你域名的归档数据，返回准确的归档文件数量、总大小和一个锁定价格, 付款之前就能看到。
3. 选择还原选项。 日期范围选择让你停留在网站最好的年代；剥离旧统计代码、广告和 iframe 能去掉 2008 年那种第三方垃圾；相对路径内部链接和 HTTPS 转换让结果可以部署到任何环境。
4. 还原。 按文件计费，外加一笔小额固定费用，首个文件免费，没有订阅, 只支持一次性余额充值。
5. 部署与维护。 一键部署可将还原后的网站推送到你的 VPS、虚拟主机或 S3；内置的单文件 CMS 让家人, 或俱乐部秘书, 不用学 Git 也能改错别字。

就那个图片博客而言，估算结果是 1,140 个文件、210 MB，还原耗时不到一小时，网站现在托管在便宜的静态主机上，一年的花费还不到一束鲜花。失败的还原会自动退款到余额，所以风险差不多跟看一张收据一样令人兴奋。完整的 wayback 还原 流程有详细文档，想先了解细节也可以直接看。

指向博物馆的链接 vs 自己拥有展品

引用或一次性参考时，链接到一条 Wayback 抓取完全没问题。当内容具有持续价值时，还原更划算：搜索流量应落在你自己的域名上，稳定性由你掌控，并且不依赖任何单一档案馆的政策, 档案馆确实会应要求删除内容，Wayback Machine 也不例外。我的原则是：脚注用链接，值得再失去一次的东西用还原。

指向一个档案馆的链接是别人替你履行的承诺；一次还原是把副本握在自己手中。