Ver páginas web antiguas: Wayback Machine y dos alternativas

Muchos creen que Internet es eterno, pero esto no es así sobre todo si hablamos de páginas web individuales. ¿Se ha bloqueado una página web y todo su contenido? ¿Quieres visitar tu página web favorita y ha fallado hoy? Algunas personas también pueden estar buscando un post que leyeron hace unos días, pero que ahora no parece rastreable. Hay muchas razones posibles por las que puede desearse encontrar páginas web antiguas, pero lo borrado está borrado para siempre ¿o no?

Incluso si la página original ha sido eliminada, existe la posibilidad de volver a encontrar su contenido, porque algunas organizaciones crean imágenes de páginas web antiguas. Con la ayuda de la tecnología moderna, recogen continuamente capturas. Estos servicios pueden ser consultados gratuitamente en Internet y el proyecto más famoso de este tipo es Wayback Machine. El proyecto Internet Archive archiva gran parte de la World Wide Web de acceso público, y lo ha estado haciendo desde 1996. A continuación, te explicamos el principio de funcionamiento de la máquina de Wayback y te presentamos dos alternativas para visualizar contenidos web antiguos.

Como su nombre indica, el proyecto Internet Archive se originó como un archivo web. Cuando Brewster Kahle creó el archivo por primera vez en 1996, utilizó los datos de su proyecto Alexa Internet, que recopila los accesos a sitios web de dominios de toda la World Wide Web. Amazon ofrece ahora a Alexa como un servicio de análisis de marketing. Inicialmente, los sitios web populares prioritarios para el Internet Archive tenían que guardarse. Según un estudio de la revista Forbes a partir de 2015, sin embargo, el número de capturas de una página web en archive.org (el sitio web del proyecto) no siempre se correlaciona con el rango de Alexa o la frecuencia de actualización de un dominio. Por lo tanto, por el momento no se sabe qué métodos de selección utiliza exactamente el proyecto al detectar y almacenar páginas web.

Internet Archive ha logrado mucho en sus más de veinte años de historia. Este archivo de páginas de Internet se ha convertido en una enorme biblioteca virtual. Según datos propios, archive.org utilizó un enorme espacio de almacenamiento de 18,5 petabytes para contenido individual en 2015 (un total de 50 petabytes, es decir, 50 000 billones de bytes) y, desde entonces, ha ido aumentando en varios terabytes cada semana. Según las últimas encuestas, se puede acceder a unos 327 000 millones de versiones antiguas de páginas web a través del servicio Wayback Machine. Además, el proyecto recoge:

• Textos y libros (unos 16 millones)
• Grabaciones de audio (alrededor de 4,4 millones, incluidas 189 000 grabaciones en vivo de conciertos)
• Videos y producciones de televisión (alrededor de 5,8 millones, incluyendo alrededor de 1,6 millones de grabaciones de noticias)
• Imágenes (alrededor de 3,1 millones)
• Programas informáticos (unos 209 000)

(Datos de abril de 2018)

Los medios de comunicación son de dominio público o han sido donados por los depositarios de los derechos con la intención de preservarlos para la posteridad. Así, muchos de los contenidos provienen de universidades, de organizaciones gubernamentales como la NASA, de proyectos de digitalización de textos como Proyecto Gutenberg o Arvix y también de colecciones de cine y audio como la Prelinger Collection o LibriVox.

Brewster Kahle es un activista de la red que no solo está comprometido con un Internet libre, sino, en general, con el conocimiento de acceso libre. Fue uno de los opositores más populares de la llamada "Mickey Mouse Protection Act" (en realidad: Copyright Term Extension Act), cuya implantación fue apoyada por Disney, entre otros. Esta ley condujo a una extensión de la ley de derechos de autor estadounidense: a partir de ese momento las obras estaban protegidas por derechos de autor durante un período de hasta 70 años (y no, como antes, hasta 50 años) después de la muerte de un autor o dibujante. Según críticos como Kahle, unos derechos de propiedad tan prolongados solo beneficiarían a las empresas explotadoras, mientras que las obras no serían utilizables por el público en general.

En 2007, el estado de California reconoció oficialmente el archivo de internet fundado por Kahle como biblioteca. Uno de los numerosos centros informáticos que almacenan copias de seguridad del archivo se encuentra en la Biblioteca de Alejandría, inaugurada en 2002 bajo los auspicios de la UNESCO.

La página web subsidiaria archive-it.org coopera con numerosas organizaciones científicas que desean archivar digitalmente sus colecciones.

Internet cambia constantemente: una transmisión de datos más rápida permite nuevos servicios, mientras que otros se vuelven obsoletos y olvidados. La información nueva a menudo reemplaza a la antigua o desactualizada, especialmente en los portales de noticias y otras páginas web dinámicos. Los artículos y las páginas web antiguos a menudo ya no son directamente visibles, aunque los usuarios suelen desear poder ver versiones anteriores de los sitios web, deseo que puede venir de la pura nostalgia, como por ejemplo si te preguntas qué escribiste en tu perfil de MySpace en aquel entonces. Sin embargo, hay también razones económicas o legales para querer rastrear versiones antiguas de páginas web:

• Tu página se ha caído inesperadamente. Tal vez el servicio de alojamiento tiene problemas técnicos o no se han pagado las cuotas mensuales. Es probable que encuentres el contenido perdido en un archivo de páginas web.
   
• Eres un periodista, blogger o científico que trabaja en un artículo. Cada vez más, Internet es la manera más rápida de encontrar fuentes importantes. Sin embargo, si el enlace de la página de origen cambia, tus lectores carecerán de información o las citas ya no coincidirán con el contenido de la página enlazada. Si citas la fuente con una captura y un sello de tiempo, tus lectores siempre pueden rastrear la fuente.
   
• Eres SEO y trabajas consiguiendo posicionamiento a través de enlaces en dominios más antiguos. Además, puedes utilizar herramientas de archivo para eliminar enlaces incorrectos o ajustar los cambios de página. Algunos expertos en SEO mejoran su ranking con contenido archivado en redes privadas de blogs.
   
• Necesitas pruebas legales. Cuando se trata de insultos o amenazas en la red, las capturas de pantalla ayudan a documentar los ataques personales. Si los textos ya han sido eliminados por el autor, simplemente utilizas una versión anterior del sitio web para recopilar sus pruebas. Además, la documentación de los procesos de trabajo a través de un archivo también puede ser útil en los litigios sobre patentes.

¿Eres el proveedor de una página web y te falta una copia de seguridad? Obtén el contenido perdido buscando capturas de pantalla de tu antigua página de inicio a través de archive.org. Los sitios web antiguos se pueden encontrar en solo tres pasos.

Dentro del sitio web archivado puedes navegar como de costumbre a subpáginas a través de enlaces. Los textos se pueden copiar fácilmente. También puedes guardar capturas de pantalla para ver la disposición y el diseño de la página.

Las opciones "Summary of..." y "Site Map of..." (en la imagen superior directamente encima de la línea de tiempo) ofrecen más posibilidades. El resumen muestra cuántos archivos de código, imágenes y archivos flash encontraron los rastreadores. El mapa del sitio, por otro lado, muestra el dominio entero como un anillo. Una sección de anillo es una página web a la que se puede acceder directamente con un solo clic.

La Wayback-Machine te permite ver páginas web antiguas a las que ya no se puede acceder a través de su URL anterior. De esta forma, podrás al menos encontrar y guardar el contenido de texto de la página correspondiente. Pero a veces se necesita algo más que el texto de un artículo antiguo y el problema es más profundo. Tal vez la página ya no existe y la copia de seguridad tampoco ayuda. ¿Quizás deseas descargar todo el sitio web para editar o guardar el código fuente, filtrar enlaces rotos o probar tu antigua página web para optimización SEO? Esto es posible con Wayback Machine Downloader.

Para usar el programa de código abierto Wayback Machine Downloader en GitHub deberías instalar Ruby primero. Pero no tienes que ser un profesional de Ruby para usar el programa. Los desarrolladores listan los comandos de código más importantes directamente en la página de descarga. Introduce la URL deseada y el programa descargará los archivos correspondientes en tu ordenador. Crea automáticamente páginas index.html que son compatibles con Apache y NGINX. Por ejemplo, los usuarios avanzados pueden definir la configuración de las marcas de tiempo, los filtros de URL y las capturas con más detalle.

La herramienta basada en la web Archivarix, con una interfaz de usuario claramente estructurada, es adecuada para pequeños sitios web o blogs. El servicio, que normalmente se cobra, es gratuito si se utiliza para sitios web con menos de 200 archivos. El período de formación es, en comparación, corto. Sin embargo, debes registrarse para utilizar Archivarix. Introduce simplemente el dominio deseado y define las opciones de optimización y las estructuras de enlace con unos pocos clics. A continuación, escribe tu dirección de correo electrónico. Si la descarga del archivo del sitio de Internet se ha completado, Archivarix envía un archivo Zip a esta dirección.

Otra herramienta web es el Wayback Machine Downloader (muchas de estas herramientas tienen nombres muy similares, a veces incluso idénticos). Esta herramienta también te envía copias de las antiguas páginas de Internet por correo electrónico. La demo gratuita incluye las primeras cuatro páginas de la Wayback Machine. Una página web HTML completa cuesta alrededor de 15 €, la conversión a WordPress de nuevo alrededor de 45 € (datos de mayo de 2018). La suscripción (actualmente 80 €) vale la pena si descargas un número importante de dominios cada mes.

Archive.org por sí mismo no ofrece un website downloader. Sin embargo, como miembro de la biblioteca, es decir, como usuario registrado, hay millones de archivos de texto, imágenes y audio disponibles para su descarga. Si eres el propietario de los derechos de una obra, puedes cargarla para uso público no comercial, como lo hace la NASA con gran parte de su material audiovisual. Por ejemplo, el siguiente video, filmado por la ISS, se archivó como obra común bajo licencia de Creative Commons.

El equipo del proyecto Open Library quiere categorizar los libros de la manera más completa posible. También permite a los usuarios tomar prestados muchos libros, algunos de los cuales son alojados por terceros durante dos semanas. En una categoría aparte encontrará libros electrónicos y textos del Archivo de Internet. Por lo general, pueden descargarse de forma gratuita.

A veces sucede que la versión actual de una página no aparece en la lista de resultados de Google. Esto puede suceder si los operadores del sitio han establecido el dominio en "noindex". Esto indica que el motor de búsqueda no debería incluir la página en su colección. Sin embargo, todavía puedes encontrar una versión antigua de la página web en la caché. Si deseas visitar una página web antigua pero no la encuentras en los resultados de búsqueda, introduce el siguiente comando de Google en la barra de direcciones: