Cómo archivar un sitio web: nuestra guía gigantesca para guardar su sitio

Mantener su sitio web implica tener una estrategia de respaldo dedicada. Si bien las copias de seguridad son esenciales, no son la única forma de preservar su sitio. La extensión natural de la copia de seguridad es archivar un sitio web, aunque son procesos complementarios.

Hay varias formas flexibles de archivar un sitio web. La buena noticia es que todos son fáciles de usar y accesibles. Solo tiene que elegir la solución adecuada para sus necesidades y requisitos.

En esta publicación, veremos cómo archivar un sitio web. También exploraremos los diferentes tipos de archivo que encontrará, reuniremos algunas de las herramientas de archivo de sitios más destacadas y analizaremos algunos consejos para archivar su sitio.

Introducción al archivo de sitios web

Archivar un sitio web significa preservar el contenido, los datos y los medios para referencia futura. Con un servicio dedicado como Wayback Machine (aunque veremos otras soluciones más adelante), puede ver versiones anteriores de un sitio web.

A nivel técnico, los rastreadores toman instantáneas de un sitio web, que constituye el archivo en sí. Puede acceder a él usando un calendario simple y ver cada iteración en un formato de línea de tiempo si lo desea.

En cuanto a por qué existen soluciones como Wayback Machine, tenemos que remontarnos a principios de la década de 2000. La burbuja de las puntocom estaba a punto de estallar; muchos negocios estaban cayendo. Algunos sitios web populares fueron cerrados o abandonados, dejando pocos recuerdos.

Al igual que otros formatos de medios anteriores a Internet, como la música y la televisión, estos sitios web tenían un valor histórico y nostálgico. Salvarlos significaba darles a los futuros usuarios de Internet una idea de lo lejos que habíamos llegado de la tecnología anterior.

Internet Archive lanzó Wayback Machine para ayudar a preservar los sitios web. Si un sitio se ha archivado allí, puede ver cómo ha evolucionado un sitio a lo largo de los años.

Se necesitan muchos rastreadores para archivar un sitio web, incluidos rastreos individuales enormes que pueden tardar años en completarse. El gruñido necesario para llevar a cabo «expediciones» de rastreo y almacenar las instantáneas resultantes es inmenso.

Por ejemplo, el primer servidor de 100 Terabytes (TB) de Wayback Machine comenzó a funcionar en 2004. A fines de 2020, Wayback Machine había almacenado más de 70 Petabytes (PB) de datos. Eso es más de 70.000 terabytes.

Sin embargo, no todo el mundo se siente cómodo con el trabajo que realiza Internet Archive. Ha habido varias discusiones y desafíos legales basados ​​en si un archivo de un sitio web rompe los problemas de derechos de autor existentes.

Aún así, dado el considerable crecimiento en la cantidad de archivos almacenados, existe un claro deseo de preservar los sitios web.

¿Listo para archivar su sitio? 👀 Buenas noticias: es un proceso razonablemente fácil de usar. 😄 La parte más importante es elegir la solución adecuada para las necesidades y requisitos de su sitio. Mira todas las opciones aquí ⬇️Haz clic para tuitear

Por qué querría archivar un sitio web

Hay muchas razones para querer archivar un sitio web, además de simplemente por razones nostálgicas. Para una analogía del mundo real, mire GitHub.

Github almacena repositorios de un proyecto, junto con cada «compromiso» realizado. Para comparar esto con el archivo en Internet, los repositorios representan el archivo completo y las confirmaciones son las instantáneas.

De la misma manera que los repositorios de Git son valiosos, también lo es un archivo. Por ejemplo, puede ver iteraciones anteriores de su sitio, incluso de hace muchos años, para influir en sus elecciones de diseño actuales.

Además, es posible que tenga la obligación legal de archivar su sitio, especialmente si se encuentra en la industria financiera o legal.

Finalmente, si tiene la mala suerte de estar involucrado en un litigio relacionado con su sitio, sus archivos serán una prueba valiosa. Si puede presentar archivos del sitio claros y completos, puede deshacerse de las disputas incluso antes de que los tribunales se involucren.

La diferencia entre copias de seguridad y archivado

Antes de hablar sobre los diferentes tipos de archivo web disponibles, vale la pena volver a un tema que tocamos anteriormente. En papel, la copia de seguridad del sitio y el archivo del sitio web parecen similares. Sin embargo, realizan diferentes trabajos que se complementan entre sí. En una palabra:

• Las copias de seguridad se basan en datos. Están más preocupados por preservar los datos de su sitio. Dado que las copias de seguridad son vitales si necesita restaurar su sitio, tener una copia de seguridad completa de sus datos es primordial.
• Los archivos conservan el contexto sobre los datos. Si busca en el archivo de su sitio web favorito, notará que la funcionalidad suele ser irregular. Sin embargo, el diseño y el contenido estático del sitio suelen estar intactos.

Vale la pena señalar que el archivo no busca evitar por completo los esfuerzos de preservación de datos. De hecho, uno de los beneficios es permitir que los usuarios naveguen por su sitio como si estuviera en vivo. Aun así, dado que sitios como Wayback Machine existen como un «carril de memoria» virtual, mantener intactas las imágenes tiene una mayor prioridad que preservar la funcionalidad del backend.

En resumen, querrá utilizar tanto copias de seguridad como archivos para su sitio: el primero como protección diaria en caso de que suceda lo peor, y el segundo como una forma adicional de ayudar a documentar la evolución de su sitio.

Los diferentes tipos de archivo web que encontrará

El archivo web no viene en un solo sabor. Hay algunos tipos diferentes con los que te encontrarás. Aquí hay un desglose de cada uno:

• Lado del cliente: Implica que el usuario final guarde una versión del sitio web en cuestión. Es simple, escalable y le permite archivar un sitio web sin problemas.
• Lado del servidor: El enfoque de Wayback Machine y otros se clasifica como archivo del lado del servidor. Utiliza rastreadores y otra tecnología para archivar un sitio web, pero también requiere un nivel de consentimiento que no se encuentra en el archivo del lado del cliente.
• Basado en transacciones: Si bien esto todavía se basa en el archivo del lado del servidor, es más complejo y requiere el consentimiento explícito del propietario del sitio. Básicamente, archiva las transacciones del sitio entre el usuario final y el servidor.

Para sitios web sencillos con datos estáticos, junto con una estrategia de archivo organizada, el archivo del lado del cliente debería ajustarse a la factura. Sin embargo, la mayoría de los otros sitios favorecerán los archivos del lado del servidor; el archivo basado en transacciones no es necesario para la mayoría de los sitios web.

Finalmente, y discutiremos esto con más detalle a lo largo de la publicación, también querrá considerar dónde y cómo se almacenan sus archivos. Por ejemplo, un archivo local no es una mala elección, pero podría verlo desaparecer si tiene una falla en la computadora. Por otro lado, tiene menos control sobre lo que se archiva si opta por una solución de terceros.

Como era de esperar, la respuesta aquí es utilizar un enfoque multifacético para archivar un sitio web. Sugerimos tratar los archivos como copias de seguridad: mantenga tres copias diferentes en ubicaciones separadas y sincronizadas de alguna manera.

Es posible que también desee activar uno de los archivos para poder aprovechar cualquier funcionalidad del lado del servidor en su sitio. El resultado es un sitio web con una sólida estrategia de copia de seguridad y archivo que sigue siendo útil para otros.

Guía para principiantes de sitios y herramientas de archivo de Internet

Hay una gran cantidad de soluciones disponibles para archivar un sitio web. Analizaremos algunos de los más populares, junto con nuestra opinión sobre cómo podría adaptarse a usted.

1. Wayback Machine

En primer lugar, analicemos la Wayback Machine. Fue el primero de su tipo, por lo que estableció el punto de referencia para otras herramientas de archivo.

Como tal, es probable que sea el primer lugar en la cabeza cuando busque archivar un sitio web. Tiene muchas formas de crear y cargar archivos, e incluso una API dedicada para conectarse con su funcionalidad. Vale la pena señalar que también es una solución de archivo del lado del servidor.

Dicho esto, debido a la forma en que rastrea y archiva los sitios web, es posible que Wayback Machine no pueda preservar toda la funcionalidad de su sitio. Sin embargo, se considera el estándar de la industria para los archiveros web y es completamente gratis para arrancar. Le mostraremos cómo archivar un sitio web con más detalle utilizando Wayback Machine más adelante en este artículo.

2. Archive.today

El siguiente es Archive.today. Es similar en muchos aspectos a Wayback Machine, incluso hasta el diseño casi «retro» del sitio. Sus servidores de datos se basan en Europa, pero se enfoca en archivar de manera diferente a Wayback Machine.

Para empezar, Archive.today no se basa en rastreadores que se ejecutan en la web. En su lugar, envía sus URL y da su consentimiento para su inclusión en el archivo. Además, su lista de funciones es más básica que otras soluciones. No existe una política de eliminación sólida, por ejemplo, y el proceso de archivo excluye ciertos tipos de archivos y medios.

Aún así, es gratis y adecuado si desea un lugar gratuito para almacenar archivos. El sitio incluso tiene una función de búsqueda para encontrar sitios previamente archivados.

3. Heritrix

Hemos mencionado Internet Archive y Wayback Machine casi indistintamente en esta publicación hasta ahora. Sin embargo, Wayback Machine es solo un servicio e Internet Archive ofrece algunos otros productos de archivo además de él. Heritrix es una herramienta gratuita de código abierto que nace de la colaboración entre Internet Archive y las bibliotecas nórdicas.

Es esencialmente un rastreador web en lugar de una herramienta de archivo con todas las funciones. Sin embargo, puede empaquetar todos los resultados rastreados juntos. Si bien este no ha sido el caso en el pasado, Wayback Machine ahora usa Heritrix para rastrear sitios e incluirlos en su propio sitio. Además, un gran número de bibliotecas e instituciones utilizan Heritrix para crear archivos.

A pesar de sus impresionantes características, la instalación de Heritrix requiere algunos conocimientos técnicos. No hay una interfaz fácil de usar para instalarlo, por lo que necesitará conocimientos de Git, GitHub y la línea de comandos.

Al igual que con otras soluciones similares, Heritrix es de uso totalmente gratuito, por lo que es adecuado como una solución de autoarchivo rentable.

4. Capa de integración de archivo web (WAIL)

Si está buscando en Heritrix para archivar un sitio web, pero se siente desanimado por el conocimiento técnico requerido para simplemente instalar el software, existe una solución potencial para usted. La capa de integración de archivo web (WAIL) es una aplicación de escritorio multiplataforma gratuita y de código abierto que le brinda una interfaz gráfica de usuario (GUI) funcional para usar, junto con un instalador.

La buena noticia es que Heritrix es el motor de rastreo de WAIL. Significa que puedes aprovechar el poder de Heritrix sin tener que atravesar GitHub y la línea de comandos. Además, WAIL utiliza el motor OpenWayback para «reproducir» archivos web.

Como tal, tiene una herramienta de archivo web con todas las funciones lista para usar en su máquina. También le mostraremos exactamente cómo funciona WAIL más adelante en el artículo.

5. Stillio

Nuestra penúltima herramienta de archivo se factura como una solución automatizada que toma instantáneas a intervalos establecidos. Stillio es un servicio premium que se ve y se siente diferente a otras soluciones de archivo.

El sitio web tiene un aspecto elegante y le ofrece innumerables opciones para crear un archivo que cumpla con sus requisitos exactos. Por ejemplo, puede agregar etiquetas y títulos personalizados a sus URL.

Además, puede optar por almacenar archivos en Dropbox, Google Drive y otros servicios de terceros.

Sin embargo, Stillio tiene un gran inconveniente: no admite el archivo de back-end. Está restringido a capturas de pantalla de su sitio web en lugar de a un archivo completo de datos. Para muchas aplicaciones, esto no es suficiente.

Sin embargo, Stillio podría ser útil en algunos casos, como servir como herramienta de seguimiento y gestión de marca. Por ejemplo, puede tomar capturas de pantalla de sitios de la competencia o resultados de motores de búsqueda. También es ideal para la verificación de contenido.

El precio de Stillio comienza en $ 29 por mes y sube a través de cuatro niveles hasta $ 299 por mes. Es una gran pregunta, especialmente cuando existen alternativas gratuitas con funciones más potentes. Pero si se adapta perfectamente a su caso de uso, ¡vale la pena echarle un vistazo!

6. Pagefreezer

Nuestra solución final es otra herramienta automatizada. Pagefreezer ofrece muchos de los mismos beneficios que Stillio, pero también archiva contenido de redes sociales, mensajes de texto, sitios completos y plataformas de colaboración de nivel empresarial.

En la superficie, Pagefreezer parece una solución más robusta que Stillio y tendría mayor valor en varios casos de uso.

Por ejemplo, cuando está obligado legalmente a archivar un sitio por completo, Pagefreezer cumple con los requisitos. Le permite automatizar la cantidad de instantáneas y revisarlas utilizando un navegador de archivo del sitio y una herramienta de comparación.

En general, Pagefreezer es una excelente solución de nivel empresarial para el archivo en el lugar de trabajo. Las empresas que utilizan Yammer o Chatter de Salesforce se inclinarán por este tipo de solución, al igual que los usuarios de Workplace.

¿Qué es el formato de archivo Web Archive (WARC)?

Si está investigando cómo archivar un sitio web, encontrará el formato Web Archive (WARC). Es una combinación empaquetada de varios archivos del archivo de su sitio para que sea portátil y autónomo.

Internet Archive creó WARC para preservar los datos web a largo plazo. El Consorcio Internacional para la Preservación de Internet (IIPC) ha publicado la especificación completa del formato de archivo. Almacenará imágenes, metadatos y prácticamente todo lo que su sitio necesita para ejecutarse de forma independiente.

Si bien originalmente era solo un formato de archivo útil, WARC ahora es un estándar ISO internacional para archivos digitales. Como tal, ha sido adoptado por gobiernos y otros organismos oficiales. De hecho, hay varios casos de uso en los que un archivo WARC es vital:

• Descubrimiento electrónico: Es el proceso durante el litigio en el que se investigan los registros digitales y se presentan para su inclusión en un juicio. Para registros de redes sociales, un archivo WARC cumple con el estándar legal de descubrimiento electrónico.
• Libertad de información (FOI): Hay muchos gobiernos y organismos oficiales que utilizan las leyes de Libertad de Información y Registros Abiertos para ofrecer un servicio de “Derecho a Saber” (RTK) a los constituyentes estatales. El formato WARC es ideal en casos que involucran registros digitales.

WARC es utilizado por muchas soluciones de archivo y rastreadores diferentes, como StormCrawler y Apache Nutch. También puede modificar la configuración de una herramienta de línea de comandos como Wget para recuperar y empaquetar solicitudes como archivos WARC. Discutiremos esto con más detalle en breve.

Hay muchas otras herramientas que también pueden generar resultados en archivos WARC. Por ejemplo, la herramienta de ahorro de páginas web de código abierto wallabag puede hacer esto.

Como alternativa, grab-site es una aplicación basada en web que ayuda a rastrear archivos como archivos WARC.

La apertura de un archivo WARC depende de la herramienta que esté utilizando. Independientemente de la solución que prefiera, tenga en cuenta que algunas de estas herramientas no se han actualizado desde hace tiempo.

Como tal, querrá asegurarse de que la solución elegida funcione con su sistema actual y que estará disponible para su uso en el futuro. Se ahorrará muchos dolores de cabeza si evita una herramienta que podría terminar descontinuada o abandonada mientras se encuentra en medio de un proyecto de archivo.

Consejos para administrar sus archivos sin conexión

Antes de que veamos cómo archivar un sitio web, tomemos unos minutos para ayudarlo a organizar sus archivos existentes. Hemos tocado el tema, pero contar con un enfoque sólido hará que sus archivos sean más manejables. Los usuarios de su sitio también obtendrán un mayor uso de un archivo bien organizado.

Hay tres elementos clave que debe tener en cuenta:

• Frecuencia: Decida con qué frecuencia desea archivar un sitio. Los sitios enormes, dinámicos y complejos con cambios casi diarios necesitarán instantáneas más frecuentes que los sitios estáticos.
• Localización: Al igual que las copias de seguridad, debe guardar archivos en varios lugares diferentes, incluida la nube. Siga la regla 3-2-1 para mayor seguridad. También le sugerimos más que esto si desea capturar la profundidad completa de su sitio.
• Estructura: Al igual que los directorios de su computadora, debe buscar usar carpetas explícitas, subdivididas en los nombres de los archivos del sitio y la fecha en que se archivó un sitio específico.

Si bien puede expandir aún más la administración de su archivo, estos tres consejos comenzarán a archivar con el pie derecho.

5 formas de archivar un sitio web

A continuación, sugeriremos cinco formas diferentes de archivar un sitio web. Hemos ordenado las soluciones en función de su dificultad relativa. Sin embargo, si encuentra una solución que cree que funcionará para sus necesidades actuales, no dude en sumergirse y encontrar más.

1. Guarde una sola página en su computadora local

En primer lugar, analicemos la solución más sencilla. Es genial si necesita archivar una sola página, y aún mejor, la funcionalidad ya está en prácticamente todos los navegador.

Para comenzar, abra su navegador favorito y diríjase al sitio web que desea archivar. Una vez que la página se haya cargado, navegue hasta el Archivo menú y encontrar el Guardar pagina como opción:

A continuación, haga clic en la opción para guardar la página, momento en el que el navegador le mostrará un cuadro de diálogo.

Aquí, elija un nombre para su página (aunque el predeterminado está bien). Además, asegúrese de guardar toda la página en lugar de solo el HTML. Conservará el sitio con la mayor funcionalidad posible.

2. Utilice DevKinsta para archivar su sitio web de WordPress

Creemos que DevKinsta es una herramienta esencial para crear e implementar sitios web de WordPress. Sin embargo, también tiene otra cadena en su arco: también lo ayuda a archivar sus sitios web alojados en Kinsta.

Hemos cubierto todo el proceso de extracción de una copia de seguridad externa de MyKinsta en DevKinsta en uno de los artículos de nuestra base de conocimientos. Para resumir:

• Cree y descargue una copia de seguridad en MyKinsta.
• Cree un nuevo sitio con DevKinsta.
• Importe su contenido y base de datos.
• Realice una búsqueda y reemplace en su base de datos para cambiar el nombre de la URL de su sitio en vivo a su nuevo archivo local.

En este punto, puede abrir su sitio en DevKinsta y usarlo como si estuviera en vivo.

3. Utilice un archivo en línea (como Wayback Machine)

Ningún tutorial estaría completo sin mostrarte cómo funciona Wayback Machine. Afortunadamente, el proceso es sencillo. Dicho esto, tenga en cuenta que este método solo le permite archivar páginas individuales (aunque el servicio Archive-It de suscripción le permite archivar sitios completos).

Para este enfoque, diríjase a la página de inicio de Wayback Machine y consulte el Guardar página ahora formulario:

Para archivar una página, simplemente agregue la URL que desea guardar en este formulario, luego haga clic en Guardar página. Dependiendo de cuán grande o compleja sea la página, es posible que deba esperar unos minutos mientras el rastreador y el motor hacen lo suyo. Puede ser que la página parezca bloqueada. Nos enfrentamos a una pantalla blanca de la muerte (WSoD) durante un tiempo en nuestras pruebas.

Sin embargo, una vez que se haya archivado la página, Wayback Machine lo redireccionará a la nueva página dedicada.

Tenga en cuenta que también puede utilizar un marcador y una extensión de navegador para archivar un sitio web. De hecho, la mayoría de los navegadores actuales tienen estas opciones listas para usar, incluidos Google Chrome, Firefox y Safari.

4. Instale la capa de integración de archivado web (WAIL)

Su primer paso con este enfoque es descargar WAIL e instalarlo. Afortunadamente, hay un instalador dedicado para la herramienta (aunque debido a que el programa está escrito en Python, usa el módulo PyInstaller).

El proceso de instalación es muy sencillo. Independientemente de su sistema operativo (SO), puede realizar lo siguiente:

• Vaya al sitio web de WAIL y descargue el instalador adecuado para su sistema operativo.
• Descomprima el archivo para la versión de Windows o monte la imagen DMG para macOS.
• En la pantalla de diálogo resultante para macOS, arrastre el icono de la aplicación a su Aplicaciones carpeta. Para los usuarios de Windows, simplemente arrastre la carpeta descomprimida a su raíz C: manejar.
• Lanzar cualquiera WAIL.app o WAIL.exe (dependiendo de su sistema operativo).

Una vez que WAIL esté abierto, verá su interfaz mínima:

Ahora se le presentan tres opciones para elegir: ver un archivo, verificar su estado o archivar un sitio web. Los botones son un poco confusos, ya que su inclinación natural puede ser leer de izquierda a derecha. Sin embargo, en el primer lanzamiento, no tendrá nada en sus archivos.

En su lugar, ingrese la URL del sitio que desea archivar y haga clic en Archivar ahora! Verá que WAIL comienza a rastrear el sitio web. Puede comprobar el estado de su rastreo en el Avanzado > Heritrix pestaña:

Cuando termine, le mostrará un mensaje de «Éxito». En este punto, puede hacer clic en el Ver archivo botón en el Básico pestaña. Esto abrirá su sitio archivado en un navegador, listo para que lo vea.

5. Use Wget si se siente cómodo usando la línea de comandos

Para nuestro método final para archivar un sitio web, necesitará algunas cosas antes de comenzar:

• Acceso por línea de comandos a su computadora
• Una herramienta de línea de comandos adecuada, como el símbolo del sistema de Windows o Terminal en macOS y Linux
• Wget instalado en su computadora

Probablemente ya tengas los dos primeros.

En macOS, puede instalar Wget a través de Homebrew con el brew install wget mando. Tenga en cuenta que también necesita instalar Homebrew, pero solo le llevará unos segundos. En Linux, Wget está preinstalado en la mayoría de las distribuciones principales.

Si es un usuario de Windows, es posible que tenga más dificultades para instalar Wget en su computadora. Si bien hay tutoriales disponibles en la web, su orientación no parece coherente entre máquinas. En su lugar, le recomendamos que visite el sitio web oficial de Wget y consulte algunos de los archivos binarios de Windows disponibles, ya que es más probable que funcionen para usted.

Independientemente, una vez que haya instalado Wget, usarlo es sencillo. Primero, navegue a un directorio en una nueva ventana de terminal. Aquí, también estamos creando el directorio, pero este paso es opcional:

cd documents && mkdir archive && cd archive

Tenga en cuenta que Wget extraerá todas las descargas en cualquier directorio de trabajo. En este caso, hemos especificado una carpeta para nuestros archivos.

A continuación, querrá rastrear un sitio y extraer los archivos. Cada acción se invoca mediante el wget comando, y querrá usar el siguiente formato:

wget "https://kinsta.com/" --warc-file="kins"

Golpeando el Ingresar comenzará la descarga de kinsta.com a un index.html archivo y cree un archivo WARC llamado parientes-00000.warc.gz.

Wget es poderoso y hay muchos comandos y opciones que puede usar. Por ejemplo, puede utilizar el --mirrorcomando para crear un archivo WARC que contenga el espejo completo de su sitio. También puede utilizar el --no-warc-compression comando para escribir archivos sin comprimir, aunque obviamente esto ocupará más espacio por descarga. Usar el compresor incorporado es el enfoque óptimo.

Archivar su sitio web es un poco como hacer una cápsula del tiempo ⏳ … y afortunadamente, es fácil comenzar con la ayuda de esta guía. ✅Haz clic para tuitear

Resumen

El archivo web ha surgido de la necesidad de documentar la forma rápidamente cambiante de Internet. Ahora tiene múltiples aplicaciones válidas, por ejemplo, en el caso de archivos y requisitos legales. Independientemente de su necesidad, tener un archivo bien estructurado y organizado puede complementar su estrategia general de respaldo.

Afortunadamente, hay muchas soluciones disponibles para ayudar. La mayoría de los navegadores ofrecen la posibilidad de guardar una página web en su computadora, aunque las soluciones como DevKinsta también son herramientas capaces para el trabajo. Sin embargo, las herramientas de archivo dedicadas como Wayback Machine, Heritrix, WAIL y Wget son todas soluciones particularmente sólidas y ofrecen formatos de archivo estandarizados para trabajar.

¿Este artículo te ha llevado a querer archivar tu propio sitio web? ¡Comparta sus pensamientos y opiniones en la sección de comentarios a continuación!