Cercare vecchi siti web con Wayback Machine e altri archivi online

In molti credono che Internet sia eterno. Ma per alcuni siti web non è assolutamente così: non capita di rado che un sito web crashi perdendo tutti i contenuti, oppure che un sito web non sia proprio raggiungibile. Ancora, può succedere che un contenuto sparisca nonostante fosse online appena qualche giorno prima. I motivi per cui si cercano siti web già visitati sono innumerevoli. Ciò che almeno appare certo è che ciò che è perso, lo è per sempre. O perlomeno così si crede. E se non fosse così?

In realtà anche quando la pagina originale è stata cancellata, c’è ancora la possibilità di recuperarne il contenuto grazie ad alcune organizzazioni che creano “istantanee” di vecchi siti web. Con l’aiuto della tecnologia moderna, infatti, esse creano archivi di pagine web sotto forma di snapshot disponibili gratuitamente su Internet.

Il progetto di questo tipo più conosciuto è Wayback Machine. Questo servizio dell’Internet Archive Project archivia ampie porzioni del World Wide Web accessibile al pubblico dal 1996. Di seguito vi illustriamo il principio di funzionamento di Wayback Machine e vi presentiamo inoltre altre due alternative con cui è possibile visualizzare contenuti del passato.

Il progetto Internet Archive, come suggerisce il nome, è stato concepito come archivio web. Quando Kahle creò l’archivio nel 1996 utilizzò i dati del suo progetto Alexa Internet, che raccoglie gli accessi a siti web di domini di tutto il World Wide Web. Attualmente Alexa viene offerto da Amazon come servizio di analisi di marketing.

Inizialmente i siti web più popolari venivano considerati prioritari nell’Internet Archive. Secondo una ricerca di Forbes Magazin del 2015, il numero di snapshot di un sito web su archive.org (l’indirizzo web del progetto) non è sempre correlato all’Alexa Rank o alla frequenza degli aggiornamenti di un dominio. Sono ancora momentaneamente sconosciuti i metodi di selezione che il progetto utilizza per rilevare e salvare i siti web.

Nei suoi oltre vent’anni di storia Internet Archive è riuscito a ottenere diversi risultati. L’archivio di siti web vero e proprio è diventato una grande biblioteca virtuale. Secondo i dati forniti, archive.org nel 2015 utilizzava un enorme spazio di archiviazione di18,5 petabyte per i contenuti singoli (per un totale di 50 petabyte, ovvero 50 biliardi di byte), che da allora è cresciuto di alcuni terabyte ogni settimana. Secondo gli ultimi sondaggi, tramite Wayback Machine è possibile accedere a circa 327 miliardi di siti web archiviati. L’archivio include:

• Testi e libri (circa 20 milioni)
• Registrazioni audio (circa 5,3 milioni, di cui 202.000 live di concerti)
• Video e produzioni tv (circa 5,1 milioni di cui 1,8 milioni di registrazioni di cronaca)
• Immagini (circa 3,3 milioni)
• Programmi software (circa 418.000)

(Dati aggiornati al mese di aprile 2019)

I media sono di dominio pubblico oppure vengono donati dai titolari dei diritti perché rimangano alle generazioni future. Ecco perché molti dei contenuti arrivano da università, organizzazioni governative come la NASA, progetti di digitalizzazione di testi come il Progetto Gutenberg o l’Arvix e anche da raccolte audio o cinematografiche come la Prelinger Collection, LibriVox o l’archivio di musica live Etree.

Kahle è un attivista della rete che si batte non solo per la libertà di Internet, ma più in generale anche per un accesso libero al sapere. Fu uno degli oppositori più popolari del cosiddetto “Micky-Maus Protection Act” (chiamato anche: Copyright Term Extension Act), il cui provvedimento fu sostenuto tra gli altri dalla Disney. Questa legge portò a un'estensione della legge americana sul diritto d'autore: da allora i diritti d’autore delle opere sono protetti fino a 70 anni (e non più 50, come prima)dopo la morte di un autore o di un illustratore. Secondo alcuni critici come Kahle, diritti di proprietà intellettuale così lunghi gioverebbero unicamente alle società di riciclaggio e le opere rimarrebbero inaccessibili alla collettività.

Nel 2007 lo Stato della California ha riconosciuto all'Internet Archive di Kahle lo status di biblioteca. Uno dei tanti data center in cui sono conservati i backup degli archivi si trova nella Biblioteca Alexandrina, inaugurata nel 2002 sotto l’egida dell’UNESCO.

Il sito web relativo archive-it.org collabora con numerose organizzazioni scientifiche che desiderano archiviare le loro collezioni in formato digitale.

Internet è in continua evoluzione: una trasmissione dati più veloce permette di offrire nuovi servizi, mentre altri diventano obsoleti o vengono dimenticati. Le nuove informazioni spesso sostituiscono quelle precedenti o divenute obsolete, basti pensare ai portali di notizie o ad altri siti web dinamici. Gli articoli e le pagine web visualizzate in un certo momento potrebbero non risultare più visibili, ma può succedere che gli utenti desiderino poter vedere la versione precedente di un sito. Desiderio che può derivare da una semplice nostalgia, ad esempio quando si vorrebbe rileggere cosa c’era scritto sul proprio profilo Myspace in un certo periodo. Ci sono, però, anche ragioni economiche o legali del rintracciamento di versioni archiviate di siti web:

• Il vostro sito è improvvisamente offline: potrebbero esserci problemi tecnici legati al servizio di hosting oppure non è stato versato il denaro previsto per l'importo mensile. Un archivio di siti web potrà consentirvi di trovare il contenuto perso.
• Siete un giornalista, un blogger o uno scienziato e state lavorando a un articolo: sempre più spesso si trovano importanti fonti online in modo rapido. Se però la pagina di un link cambia, ai vostri lettori potranno mancare delle informazioni o le citazioni potrebbero non corrispondere più al contenuto della pagina collegata. Citando la fonte con uno snapshot e un timestamp (marca temporale), i lettori riusciranno sempre a rintracciare la fonte.
• Gestite la SEO e sfruttate l’efficacia dei link di domini più vecchi. Grazie agli strumenti di archiviazione è possibile rimuovere i collegamenti difettosi o regolare le modifiche di pagina. Alcuni esperti SEO migliorano il proprio ranking con contenuti archiviati su reti di blog privati.
• Avete bisogno di prove legali: quando si verificano insulti o minacce in rete, gli snapshot aiutano a documentare gli attacchi personali. Se i testi sono già stati cancellati dall'autore, è sufficiente utilizzare una versione precedente del sito web per raccogliere le prove. Inoltre l’archiviazione della documentazione dei processi lavorativi può essere utile anche per dirimere controversie brevettuali.

Gestite un sito web ma non avete a disposizione una copia di backup? Potete recuperare i contenuti persi cercando gli snapshot del vostro vecchio sito su archive.org. I siti web archiviati si possono rintracciare in 3 soli passi.

All'interno del sito web archiviato si naviga normalmente tramite link per raggiungere le sottopagine. I testi si possono copiare e si possono fare degli screenshot anche per salvare il layout e il design.

Le opzioni “Summary of…” e “Site Map of…” (nell’immagine in alto direttamente sopra la linea temporale) vi offrono ulteriori possibilità. Il summary riepiloga quanti file di codice, immagini e file Flash sono stati individuati dai crawler. La sitemap, invece, rappresenta tutto il dominio con un anello. Una sezione di anello rappresenta una pagina web alla quale si può accedere direttamente con un clic.

Wayback Machine consente di accedere a vecchie pagine web che non è possibile raggiungere con il loro precedente URL. Questo vi permette di trovare e salvare almeno il contenuto del testo della pagina corrispondente. Ma a volte serve qualcosa di più di un vecchio testo di un articolo. A volte il problema è più profondo. Magari la pagina non esiste più e nemmeno il backup può aiutarvi. Potreste aver bisogno di scaricare l'intero sito web per poter modificare o salvare il codice sorgente, filtrare i link non funzionanti o testare il vostro vecchio sito per l'ottimizzazione SEO. Tutto questo è possibile con il download di Wayback Machine.

Per utilizzare la versione open source del downloader di Wayback Machine su GitHub dovete prima installareRuby. Non è necessario essere un esperto di Ruby per usare il programma. I comandi di codice più importanti sono elencati direttamente sulla pagina di download. Se inserite l’URL desiderato, il programma scarica sul computer i file corrispondenti creando automaticamente pagine index.html, compatibili con Apache e NGINX. Gli utenti più esperti possono specificare, ad esempio, le impostazioni della marca temporale, filtri URL e snapshot.

Lo strumento basato sul web Archivarix dotato di un’interfaccia utente strutturata in maniera molto chiara è indicato per siti web di piccole dimensioni e blog. Questo servizio, che solitamente è a pagamento, è gratuito se utilizzato per siti web con meno di 200 file. Il periodo di prova è relativamente breve. Per utilizzare Archivarix è comunque necessario registrarsi; dopodiché potete semplicemente inserire il dominio desiderato e definire le opzioni di ottimizzazione e le strutture dei collegamenti con pochi clic. Infine, inserite il vostro indirizzoe-mail. Una volta completato il download dall'archivio, Archivarix invierà un file zip a questo indirizzo.

Un ulteriore strumento web è Wayback Machine Downloader (molti di questi strumenti hanno nomi molto simili, a volte persino identici). Anche questo strumento vi invia copie delle vecchie pagine Internet via e-mail. La demo gratuita include le prime quattro pagine di Wayback Machine. Un sito web HTML completo costa circa 15 €, la conversione a WordPress circa 45 € (maggio 2018). L’abbonamento (attualmente 80 €) conviene se scaricate un numero elevato di domini al mese.

Archive.org non offre un proprio strumento di download di siti web. In qualità di membro della biblioteca, ovvero di utente registrato, avete a disposizione milioni di testi, immagini e file audio da scaricare. Se si possiedono i diritti di un'opera, è possibile caricarla per uso non commerciale di pubblicodominio, proprio come fa la NASA con gran parte del suo materiale audiovisivo. Il video seguente, prodotto dalla ISS, è archiviato ad esempio come opera di pubblico dominio con licenza Creative Commons.

Il team del progetto Open Library mira a categorizzare i libri nel modo più completo possibile. Inoltre, diversi libri, alcuni dei quali sono ospitati da terzi, possono essere presi in prestito dagli utenti per due settimane. In una categoria a parte troverete gli e-book e i testi dall'Internet Archive che solitamente possono essere scaricati gratuitamente.

A volte la versione corrente di una pagina potrebbe non apparire nell'elenco dei risultati di Google. Questo può accadere se il proprietario del sito ha impostato il dominio su “noindex”. Ciò indica che il motore di ricerca non dovrebbe includere la pagina nella sua raccolta. Eventualmente si potrebbe cercare una versione archiviata del sito web nella cache. Se volete accedere a un vecchio sito web, ma non riuscite a trovarlo tra i risultati di ricerca, inserite nella barra degli indirizzi il seguente comando di Google: