mylogs.cn

收藏的网页说没就没？自己搭个存档站

发布于

收藏夹看着靠谱，实际只存了一串网址。原站改版、下架或者干脆关停，点开就是一个 404。技术文档、研究资料、多年前在论坛里翻到的那条冷门解法，丢了往往就再也搜不回来。

收藏的网页说没就没？自己搭个存档站
图片来源：MakeUseOf

MakeUseOf 撰稿人分享了一套自建方案：用开源工具 ArchiveBox 把整页内容留在自己的硬盘上，并做了一次严格验证——先存档，再把原页面彻底下线，看还能不能还原。

一、部署

  1. 准备一台 Ubuntu 26.04 虚拟机，4GB 内存，通过 Docker 安装 ArchiveBox。
  2. 版本选稳定的 0.7.4，而不是仍在改版中的 0.9 开发分支，可以少踩不少坑。
  3. 官方 Compose 文件有 278 行，捆了搜索、计划任务、Nginx 等一堆用不上的组件。实际只需要一个服务：镜像 archivebox/archivebox:0.7.4，启动命令 server --quick-init 0.0.0.0:8000，映射 8000 端口，把 ./data 挂载到容器内 /data，环境变量把 ALLOWED_HOSTS 设为 *、PUBLIC_INDEX 和 PUBLIC_SNAPSHOTS 都设为 False。
  4. 依次执行三条命令完成初始化、创建管理员并启动面板：
docker compose run --rm archivebox init
   docker compose run --rm archivebox manage createsuperuser
   docker compose up -d
  1. 关掉向 Archive.org 回传的开关，保证一切留在本地：docker compose run --rm archivebox config --set SAVE_ARCHIVE_DOT_ORG=False。

二、一次快照留下七份副本

抓取完成后，ArchiveBox 保留原地址，同时生成带时间戳的快照，里面包含 Wget 抓下的 HTML 副本、SingleFile 单文件页面、PDF、截图、渲染后的 DOM、正文提取版和 WARC 文件。SingleFile 最接近原貌且可正常浏览，正文提取版只留文字，PDF 和截图作为兜底——结果页看起来更像一份恢复菜单，而不是书签列表。

三、把原页面关掉之后

该撰稿人自建了一个含图片、说明文字和一个可下载配置文件的小页面，跑在同一台服务器的 8081 端口，页面里硬编码了标记 COPPER-FINCH-8247 便于核对。以深度 1 抓取快照后，他停掉服务并把源目录整个移走。

刷新浏览器，原地址报连接错误，而 8000 端口的存档照常打开：SingleFile 和 Wget 版本保留了排版与图片，PDF、截图、DOM、正文提取里都能搜到那个标记。存档前后用 sha256sum 对那个配置文件做校验，哈希值完全一致。

四、配上浏览器扩展才真正好用

  1. 安装 ArchiveBox 官方的 Firefox 扩展。
  2. 在扩展设置里填写本地实例地址，例如 http://192.168.91.136:8000。
  3. 浏览器里若已登录 ArchiveBox，扩展会直接复用该会话，此后一键就能存下当前页面。

实测存一篇带多张图片、脚本和广告的长文章，SingleFile、Wget、PDF、截图、DOM 和正文提取全部成功，只有 Original 格式因为目标站不允许被嵌入而报了警告。

注意事项

存档掌握在自己手里，责任也一样。虚拟机一旦损坏，没备份 data 目录就前功尽弃。ArchiveBox 也无法保证完美复现需要登录的页面、视频播放器和重度 JavaScript 界面。空间方面：example.com 只占 384KB、17 个文件，加上那个自建测试页涨到 1.5MB、52 个文件，再加一篇长文章就到了 34MB、158 个文件。书签只存网址，存档要存 HTML、图片、PDF、截图、WARC 和元数据，量一大就会明显吃盘，因此值得只留文档、研究资料这类真正需要引用的内容。

来源：MakeUseOf

相关文章

TAG：