图：Shutterstock
ProPublica 的克雷格·西尔弗曼（Craig Silverman）在这篇文章中分享了如何批量存档网页，比较更改以及查看页面元素何时被存档。
在上一期的《数字调查》（Digital Investigations，一份由西尔弗曼运营的新闻信）为如何充分利用 Wayback Machine（网站时光机） 提供了建议。在今天这篇文章中，我又带来了更多使用 Wayback Machine 的使用技巧，这得益于我对 Wayback Machine 负责人马克· 格雷厄姆（Mark Graham）的采访。
他指出了我在上一篇文章中忘记提及的一些功能，以及一个我不知道的功能。我们还讨论了存档社交媒体内容的挑战。
Wayback Machine 由互联网档案馆（Internet Archive）运行，这是一个成立 27 年的非营利组织，致力于为所有知识提供普遍访问。 “我们是一个数字图书馆，”格雷厄姆说。
他说，作为一个图书馆，Wayback Machine 所拥有的是赞助者而不是用户。让我们看看 Wayback Machine 中一些对于记者和研究人员最有用的功能。
1. 查看并比较更改
“更改”功能让你可以比较同一存档页面的不同版本，并看到其中的差异。
“可能有一位新闻记者正在写一篇报道，展示网页上的内容是如何随着时间的推移而变化的，”格雷厄姆说，“在这种情况下，他们需要了解 Wayback Machine 的‘更改’（Changes）功能，你可以比较同一 URL 在两个不同时间点上的内容。”
“更改”功能可以从你在 Wayback Machine 中浏览的任何存档页面的顶部菜单中访问：
图：Wayback Machine 截图
你也可以直接通过这种URL格式加载它： https://web.archive.org/web/changes/https://www.nytco.com/journalism/
将你想要进行查看的网址放在 https://web.archive.org/web/changes/ 后面，它将显示一个按年归档的网格页面：
图：Wayback Machine 截图
每个阴影方块都对应一个网页快照，颜色图例表示哪些天可能网页内容出现了重大变化。选择两个截图，然后点击页面顶部的“比较”（Compare）按钮，你就会到到一个并排显示的网页快照。
我选择了2023年3月初的一页（左）和2022年1月初的一页（右）。“比较”结果显示，《纽约时报》关于其新闻业务的页面更新了底部菜单选项和文本：
图：Wayback Machine 截图
2. 使用“关于此捕获”来验证网页元素
Wayback Machine 的基本功能是捕捉和储存网页快照，但实际它的用途更为微妙。
“网络是混乱的，网络在不断变化，”格雷厄姆说。“当我说不断变化时，指的是它也可以是动态的。”
我问他，我们如何确认网页快照显示的正是 Wayback Machine 中列出的日期和时间的页面内容。简单的答案是，是，你可以有这个信心。但归档页面的元素可以从不同的归档材料中获取，每个都有自己的时间戳。这就是 Wayback Machine 的微妙之处。
Wayback Machine 有一个功能，可让您查看网页上不同元素的时间戳。您可以通过点击页面网页快照右上角的“关于此捕获”（About this capture）按钮来访问它：
Image: Screenshot
以 https://www.nytco.com/journalism/ 为例，我们得到以下结果：
图：Wayback Machine
尽管该页面在2021年10月20日被存档，但 Wayback Machine 会从较新的网页快照中提取一些元素。上面列出的大部分网页元素都是静态图像，还有几个 JavaScript 和 CSS 文件。格雷厄姆解释说，当你在查看一个网页时，Wayback Machine 会从不同的图像、JavaScript 和 CSS 文件中提取内容以生成页面。
“当我们重现一个页面时，我们实际上是把每个具有自己的URL和自己的存档的页面要求收集起来，然后把它们放在一起，”他说。“其中一个挑战是，这些对象中的每一个可能在不同的时间和日期被存档。”
“当我们‘回放’一个页面时，我们实际上会将收集到的每个网页快照和这个 URL 的实时访问状态放到了一起，”他说。“其中的一个挑战是，每个静态对象可能会在不同的时间被归档。”
例如，网页顶部的主照片（“17XP-PULITZERS2-superJumbo-article.jpg”）是从我加载归档 8 天前抓取的。如果那张照片/文件对你的调查很重要，你可能需要检查当时的归档页面，看看它是否随着时间的推移发生了变化，或者寻找一个更接近目标日期的快照。但只要那个文件在每个时间点都保持不变，就没有问题。
图：《纽约时报》网站
作为一条普遍但并非绝对的规则，典型网页的正文通常不会从另一个页面或文件中提取。因此，它不太可能受到这种动态性的影响。但最安全的做法还是检查“关于此捕获”，并确保你引用的页面捕获中的文本、图片或其他元素与你想要查阅的日期一致。
3. 使用 Google 表格对网址进行批量存档
图：互联网档案馆
一旦完成，您将看到下图，这个时候点击“归档网址”（Archive URLs）。
图：互联网档案馆
现在，你可以将 Google 表格的链接复制粘贴到相应位置。
图：互联网档案馆
从你将 Google 账户和 archive.org 账户连接起来后，你所捕捉的所有网页快照都将存储在你的 archive.org 账户中，方便你查阅。
他说：“这个功能的出现是因为有一天我的妻子问我，‘马克，我怎样才能轻松地归档一堆 URL？’？”
格雷厄姆与互联网档案馆的工程师们合作，让 Wayback Machine 实现了这个功能。
4. 发送你的反馈和建议
“由于用户的要求、提问或建议，如今的 Wayback Machine 有了许多的功能，”格雷厄姆说。“我们非常感谢这些反馈和建议。现在很多功能都是因为用户的请求才开发的。我们非常欢迎用户的反馈和建议。”
他鼓励人们发送邮件到 info@archive.org 进行反馈和建议 。
“我们每天收到数百封电子邮件，我们有一个团队专门负责查阅和回复这些邮件，”格雷厄姆说。“我个人会回复那些无法由这个团队直接处理的邮件。”他也特别鼓励记者们在有问题或请求时主动和他们联系。
额外内容：归档社交媒体信息
Wayback Machine 的资深用户会知道，在上面存档社交媒体内容的难度非常高，这和 Wayback Machine 自身的功能和限制关系不大，而是与像 Meta 这样的公司阻止内容抓取有关。
这是格雷厄姆关于为什么很难从社交媒体存档内容的原因的解释：
就像一些网站比另一些网站更难存档一样，特别是 Facebook 和 Instagram 带来了挑战。他们采取积极措施试图阻止各种自动化脚本，包括爬取内容的脚本。例如，如果你去 Facebook 网站，那里有一个关于网络爬取的部分，他们谈到了他们为防止网络爬取和网络归档所投入的人力资源。
我们尊重互联网，这些不是我们的材料。作为一个图书馆，我们努力使材料普遍可用。因此，我们也在努力使得 Facebook 和 Instagram 的信息可以被存档，而且我们认为我们完全有权存档公开可访问的信息。
一个令人鼓舞的消息是，格雷厄姆表示，Wayback Machine 正在“积极与几家媒体合作”，以改善进社交媒体内容的存档，希望这件事很快得到改善。
本文最初发表在克雷格·西尔弗曼（Craig Silverman）的新闻信《数字调查》（Digital Investigations）上，全球深度报道网获授权翻译转载
附加资源
识别虚假信息，事实核查专家 Craig Silverman 会用到哪些工具？
Craig Silverman是ProPublica的记者，负责报道投票、平台、虚假信息和在线操纵。他曾是BuzzFeed News的媒体编辑，在那里他率先报道了数字虚假信息。
