Archive.org - jak funguje internetový archiv všech stránek

Internet je dynamické prostředí — stránky se mění, obsahy mizí, domény zanikají. Archive.org, respektive jeho nejznámější část Wayback Machine, se snaží zachytit právě tyto proměny a uchovat stopu digitálního světa pro budoucí generace. V tomto článku si ukážeme, jak Internetový archiv funguje, k čemu slouží, jaké má limity a jak ho využít.

Obsah článku

Co je Internet Archive a Wayback Machine

Internet Archive je nezisková digitální knihovna, která shromažďuje a uchovává digitální materiály – webové stránky, knihy, hudbu, videa, software a další.
Wayback Machine je modul Archiv.org, který ukládá snímky webových stránek (tzv. „snapshots“) v čase, aby bylo možné zjistit, jak stránka vypadala v minulosti.
Stav archivace: Wayback Machine již archivovala stovky miliard webových stránek.

Jak to funguje — technické principy

1. Objevování a procházení (Crawling)

Internet Archive používá webové roboty (crawlers / spiders), které pravidelně procházejí internet, sledují odkazy a stahují obsah veřejných URL.
Crawler se pokouší zachytit HTML, obrázky, CSS, JavaScript, média a další prvky stránky.
Stránky mohou být rovněž archivovány ručně pomocí funkce „Save Page Now“ – uživatel zadá adresu a archiv požádá o zachycení této stránky okamžitě.

2. Ukládání – deduplikace a efektivita

Snapshopy jsou ukládány ve formátech jako WARC (Web ARChive), které umožňují ukládat mnoho HTTP odpovědí najednou.
Pokud stránka při opakovaném průchodu nezaznamenala změny, archiv se snaží deduplikovat — místo duplikování celého obsahu uloží referenci. Tím šetří místo.
Data jsou uložena ve velkých archivech (datacentrech), s replikací a zálohováním pro dlouhodobou dostupnost.

3. Indexování a přístup

Archiv extrahuje metadata (datum, URL, velikost, typ obsahu) a indexuje je, aby bylo možné rychle vyhledávat historické verze.
Uživatel při vyhledání zadá URL, archiv zobrazí kalendář s dostupnými daty, kdy byl snímek pořízen.
Při procházení archivované stránky funguje simulace prohlížení — když kliknete na odkaz v archivované verzi, systém se pokusí otevřít archivovanou verzi daného cílového URL. Pozor: to může vést k tzv. časovému posunu (temporal drift) — cílové datum se může změnit v závislosti na tom, jak byly příslušné stránky archivovány.

Jak archive využít — příklady použití

Scénář	V praxi
Ztracené informace / smazané stránky	Web, který zmizel, se dá najít v archivní verzi.
Historie vývoje webu	Grafický vzhled, struktura, obsah v různých letech.
Důkazní materiál	Archivované stránky mohou sloužit jako důkaz v článcích, právních sporech apod.
Výzkum a archivace kultury internetu	Sledování trendů, evoluce designu, digitalizace medií.

Limity a výzvy archivace

Ne vše se zachytí
- Interaktivní obsah, dynamické skripty, AJAX, formuláře a prvky generované až v prohlížeči mohou fungovat chybně nebo být zcela chybějící.
- „Opuštěné stránky“ (které nemají žádné zpětné odkazy) často unikají crawlerům.
- Archiv nemá neomezenou kapacitu, a proto selektivně volí, co zachytit.
Temporal drift / nesoulad dat
- Při procházení odkazů v archivovaném prostředí může docházet k posunům ve zvoleném datu, což znesnadní sledování konkrétní historické verze.
Právní omezení a autorská práva
- Archiv respektuje pravidla souboru robots.txt – pokud majitel stránky zakáže procházení, archiv se mu podřídí.
- Některé stránky mohou požádat o zablokování archivace nebo odstranění existujících záznamů.
- V USA rozhodnutí soudů o digitálním půjčování knih znamenalo, že Archiv musí omezit některé způsoby šíření chráněných knih.
Bezpečnost a odolnost vůči útokům
- Archiv byl v minulosti terčem kybernetických útoků, byť byl obnoven v režimu read-only (tedy pro čtení).
- Distribuce dat, zálohování a ochrana před ztrátou dat jsou kontinuální výzvy.

Jak začít — návod krok po kroku

Vyhledání archivované stránky
Jděte na web.archive.org (Wayback Machine) a zadejte URL, o které víte, že dříve existovala. Vyberte rok, měsíc a konkrétní snímek.
Uložit vlastní stránku
Pomocí tlačítka „Save Page Now“ lze vyžádat okamžitou archivaci dané URL.
Použít API pro pokročilé použití
Archiv nabízí API (např. SavePageNow API, Availability API), což umožňuje automatizaci archivace nebo kontrolu, zda už existuje archiv nějaké stránky.
Archivace organizací
Nástroj Archive-It umožňuje organizacím (např. knihovnám, muzeím) spravovat vlastní sbírky archivního webového obsahu.

Názorná ukázka na mém webu

Abyste si web prohlédli, najeďte na tuto stránku. Do vyhledávacího pole napiště adresu stránky, v mém případě je to tento web. Stačí napsat jen Cistepc.cz. Chvíli počkáte a ukáže se vám „kalendář“, kde jsou roky v řádku a pak měsíce a dny. Vyberte rok a pak následně den, kdy byl web archivován. Je to náhodně, nelze vybrat stejný den každý měsíc nebo rok. V prvním roce existence stránek tam mám jen 2 záznamy, kdy je možné se na web podívat. Zvolím tedy 28.března 2013.

A takto stránky vypadaly, když jsem je začal dělat, byl to web statický. Ještě tu ani nebyl blog, protože jsem ani nevěděl, co to blogovací systém WordPress je :) Hodně velké retro :))

Jak stáhnout obsah starého webu z Archive.org

Mnoho webů, které dříve fungovaly, ale majitel už se jim nechce věnovat, prostě neprodlouží a doména propadne. Jenže digitální stopa je tam. I obsah, který na stránkách byl, je po určitý čas i v archivu dostupný a to včetně fotek.

Stačí vybrat doménu, která vás zajímá a třeba jste ji koupili. Pak najet podle postupu výše na archiv, vybrat den a obsah a pak stránku uložit. Ve Firefoxu to uděláte přes Soubor a Uložit stránku jako.

Tím se vám uloží celá včetně obrázků. Když je web malý, problém to není. Pokud je větší s několika stovkami stránek, pak můžete využít Wayback Machine Downloader nebo placený Archivarix.

Současný stav a trendy

Počet archivovaných stránek se neustále zvyšuje — již stovky miliard záznamů.
Archiv rozšiřuje i digitální sbírky knih, videí, hudby, map a dalších médií.
V důsledku bezpečnostních incidentů v roce 2024 byl Archiv dočasně omezen na režim pouze pro prohlížení.
Novinkou je také živé streamování procesu digitalizace některých starších médií (např. mikrofiší) jako ukázka transparentnosti práce archivu.

Často kladené otázky

Může někdo z webu požádat o odstranění své stránky z archivů?

Ano – pokud majitel webu nesouhlasí s archivací, může archivaci zablokovat přes robots.txt nebo přímo požádat archiv o odstranění existujících snímků. Archiv má své postupy pro tyto žádosti.

Je archivace okamžitá?

Ne vždy — při manuálním požadavku (Save Page Now) může být stránka zachycena poměrně rychle, ale automatické crawlování může mít zpoždění.

Lze archivovat stránky, které vyžadují přihlášení?

Ve většině případů archivovací roboti nemohou překonat autentizační požadavky (login, zabezpečené session), takže obsah za přihlášením bývá mimo dosah.

Může být obsah změněn nebo upraven archivem?

Archiv ukládá přesnou kopii stavu stránky v daném okamžiku. Následné změny se týkají především metadat a způsobu přehrávání, ale obsah záznamu by měl být neměnný.

Jak spolehlivý je archiv ve smyslu důkazu v právních sporech?

Archivované stránky jsou často používány jako důkazní materiál – jejich hodnota závisí na spolehlivosti metadata (datum, URL, integrity záznamu) a uznání archivu v daném právním kontextu.