Wayback Machine 上手：快照检索、保存排队与死链核查

Wayback Machine 是 Internet Archive 运营的网页存档服务，把抓取到的页面按时间戳存成快照，在 web.archive.org 上回放。它免费、免注册，常用于核查死链、找回被改掉的原文、确认某份文档在某个时间点的写法。说白一点，它给公开网页拍带日期的照片，并把照片集中成可检索的公共档案。

三种检索方式：直查、CDX 与关键词

直查是最短路径。在首页输入框粘贴完整 URL（含路径），点 Browse History，就能看到这个地址的时间轴与日历。它按 URL 逐条存档，首页和文章页是两个地址，粘贴时少一层路径，结果会完全不同。

要批量拿数据就换 CDX 接口。访问 CDX 端点会返回该 URL 的抓取索引，一行一次抓取。加上 output=json 时开头一行是字段名，之后才是数据，默认字段固定为 urlkey、timestamp、original、mimetype、statuscode、digest、length 七项。

查询范围由 matchType 控制：exact 只匹配这一个地址，prefix 带上下级路径，host 覆盖同一主机，domain 连子域名一起算。想按目录整片拉取，用 prefix 比逐个地址查省事得多。

关键词检索最容易被误用。它索引的是站点主页的描述与指向主页的链接文本，官方帮助页面写明暂时不支持检索页面里的文字。想找「某篇旧文章里的某句话」基本无解，得先定位域名，再用 CDX 把候选 URL 缩到几条。

快照怎么挑：时间轴、日历与颜色

时间轴按年份显示抓取密度，日历里每天一个圆点，颜色对应抓取时服务器返回的状态码。蓝色是 2xx 正常，绿色是 3xx 跳转，橙色是 4xx 客户端错误，红色是 5xx 服务端错误。多数情况下应优先点蓝色。

同一天有多次抓取时，点击圆点会弹出时刻列表，选接近目标时间的那个。抓取完成后并不会立刻能搜到，官方帮助给出的滞后是 3 到 10 小时，刚提交完查不到属于正常现象。

回放页顶部的工具条可以前后翻快照，点页面里的链接会尽量跳到同一时期的存档版本。缺图、灰块通常意味着当时没抓到图片资源，而不是存档文件损坏。想直接跳到某天附近，可以在地址里写 /web/20240101/ 再接目标 URL，引擎会给出最接近的一次抓取。

Save Page Now：能存什么，排队与复用规则

入口是 web.archive.org/save，粘贴 URL 点保存即可，不登录也能用。官方说明它只保存提交的那一页，不会把 URL 加进后续抓取计划，也不会顺手存整个目录或整站。

• 重复提交会被复用：一般规则是同一 URL 30 分钟内不重复抓取，短时间再提交往往直接返回已有快照。
• 二级资源（站点图标、字体、CSS、JS）抓取频率更低，大致 4 小时一轮。
• 同一主机的并发抓取超过 50 个时会延迟后续请求，避免把对方服务器压垮。
• 单次抓取的外链上限从 80 提到 100，只有勾选抓取外链时才会连带保存。
• 登录账号可把快照归到自己的 My Web Archive，并申请 S3 形式的密钥提高配额，具体数字以官方 SPN2 文档为准。

存档的局限：它没存什么

机器人抓不到的东西不会被存。robots.txt 禁止、需要登录、表单提交后才生成的页面、纯前端渲染的内容，都可能只留下骨架。脚本生成的链接尤其容易丢，因为存档时脚本常常连不上原服务器。

覆盖是抽样而不是全量。热门站点一天被抓好几次，冷门站点可能几年只有一页。抓取记录里没有，不等于那段时间页面不存在，只能说明没被爬到。PDF 与图片能不能留下来，取决于当时服务器是否允许抓取；视频、评论区、表单提交后的结果基本留不下。

还有一层是网络可达性。2026 年 11 月 10 日在本机用 curl 直连 web.archive.org 与 archive.org，20 秒均无响应，同一时刻 example.com 正常返回 200。这说明能否打开取决于出口线路，换个网络环境再试，不要据此认为站点已下线。

死链核查与旧版文档取证怎么做

核查一条外链是否真的死了，顺序建议固定下来：先直连确认返回码，再查存档有没有正常版本，最后决定替换成存档地址还是直接删链。多节点探测可以先用 check-host.net 那套办法排除本地网络问题。

1. 直连目标 URL，记下状态码与跳转终点；想看跳转链和页面截图，可以先用 urlscan.io 扫一遍。
2. 用 CDX 查这个 URL，加 filter=statuscode:200 与 limit=5，有结果说明历史上存在过正常版本。
3. 加 collapse=digest 按内容哈希去重，剩下的行数约等于真正变过的版本数，比按时间数更能说明改动频率。
4. 取回 timestamp 后按「/web/ 加时间戳 加原始 URL」的顺序拼出回放地址；需要不带工具条的原始存档，在时间戳后加 id_。
5. 引用时把抓取日期写进正文，别只贴一个链接。

查整片文档目录用 prefix 更省事。matchType=prefix 配 from=20230101&to=20231231，再用 fl=timestamp,original,statuscode 只取三列，输出干净，可以直接粘进表格。

两个容易踩的坑：CDX 返回的状态码是字符串 "200" 而不是数字，脚本里要显式转换；查询过密会收到 429，控制在每秒几次并缓存结果，比反复重试划算。负 limit 可以取末尾几条，但实现是从头读再跳过，数据量大时明显变慢，不适合日常查询。字段说明见 CDX 服务端文档。

删除请求与适用人群

站点所有者可以申请排除。按排除请求说明，需要发邮件到 info@archive.org，写清具体 URL、希望排除的时间范围、以及你对该站点或账号有控制权的时段；团队会复核，但不预先承诺结果。放 robots.txt 能阻止后续抓取，对已经存下的快照不起作用。

适合谁用：做外链维护的人、核对政策或条款原文改动的研究者、写技术文档要引用旧版手册的人。只是偶尔看看「这个站以前长什么样」，archive.today 更省事，它按需截图，能存渲染后的样子，但没有 CDX 这种可编程索引。

反过来，要做批量核查、频次统计、把存档接进自动化流程，CDX 是绕不开的那条路。免费、免登录、无需申请密钥，代价是自行处理限流与字段解析；零散的小工具需求，用 IT-Tools 这类免登录工具集更对口。

相关地址

以下为本篇提到的官方入口，配额、字段与接口变更以这些页面为准。

• Wayback Machine 主站：https://web.archive.org/
• Save Page Now 保存入口：https://web.archive.org/save/
• CDX 接口示例：https://web.archive.org/cdx/search/cdx?url=example.com&output=json
• 官方使用帮助（检索、颜色、延迟、局限）：https://help.archive.org/help/using-the-wayback-machine/
• 官方删除与排除请求说明：https://help.archive.org/help/how-do-i-request-to-remove-something-from-archive-org/
• CDX 服务端参数文档：https://github.com/internetarchive/wayback/tree/master/wayback-cdx-server
• 关键词检索（Site Search）上线说明：https://blog.archive.org/2016/10/24/beta-wayback-machine-now-with-site-search/