网页快照:为什么你删掉的东西,还有人替你留着?
凌晨一点,帮朋友找一个方子。炖牛肉的方子。
他说是在某个美食论坛看到的,标题里好像有个“祖传”两个字。链接发过来——404。
他说,不是吧。
我说你先搜搜,说不定有快照。
三分钟后他截图过来。页面上还留着论坛当年那套蓝色皮肤,楼主头像是一只橘猫。方子完完整整躺在那儿。
他愣住了:这不是删了吗?
对。删了。但有人替你留了一份。
快照这东西,本质是一次“顺手偷拍”
搜索引擎的爬虫每天都在网上乱窜。它打开一个网页,看见什么,就顺手抄一份,塞进自己家的服务器里。这份抄本,就是网页快照。
注意,“顺手”两个字。
它不是刻意给你做备份,更不是什么慈善事业。它抄这么一份,原始目的朴素得不行:万一原网页打不开,或者加载得慢,它可以先把这份抄本甩给你,省得你对着转圈的菊花干等。
早年网速是按秒计费的,快照几乎是搜索体验的救命稻草。点一下“百度快照”,页面唰地就出来了。为什么快?因为读的是百度的硬盘,不是你家的网线。
现在不一样了。网速快了,这个功能反而被越藏越深。谷歌前两年干脆把搜索结果里那条“缓存”链接给撤了。百度那边也低调了很多。它没死,只是退到了角落里蹲着。
为什么打开一看,全是乱码和裂图

很多人的第一次快照体验,都有点幻灭。
字是有的。图全裂了。有时候干脆一整片乱码,中文变成一串问号和小方块。
这事儿不难理解。快照抄的主要是那一次抓取时网页的文字和骨架,图片、样式表、脚本这些“零件”,是另外的文件,不是每次都跟着一起打包。就算打包了,隔个三五年,服务器上的图早没了,快照里那些链接自然指不到任何地方。
乱码更常见。老网页用的编码五花八门,当年保存的时候没处理好,你看到的就成了一场字符灾难现场。
所以,快照能救的是“内容”,救不了“样子”。
我一般跟人这么打比方:它像档案馆里的复印件。字认得出就行,纸张是不是原装、有没有彩页,真不重要。
删掉的东西,凭什么还能被搜出来
这是最多人懵的一点。
我认识一个姑娘,大学时在贴吧发过一篇中二小说,毕业前夜删得干干净净。结果工作两年后,同事搜她的常用 ID,第一条就是那篇小说的快照。她当场想原地消失。
原因其实特别简单:你在原网站上删掉的是“原网页”,而快照存在别人的服务器上。两回事。
删除请求得发给搜索引擎,让它重新爬一遍那个地址,发现是 404 了,或者内容变了,才会把快照更新掉。这个过程不是实时的。快的话几天,慢的话……你也知道,网上没人替你着急。
顺带提一句,网页作者其实是能主动拒绝快照的。在网页代码里加一个 noarchive 的标记,爬虫就不会留档。当年不少论坛的隐私设置里就有这个选项。可惜绝大多数人在发帖的时候,压根不会点进去看。

快照和“网页存档”,压根不是一回事

这里得掰开说,不然太容易混。
搜索引擎的快照是副产品。它会随时被下一次抓取覆盖掉,只保留最新那一版。你想看三年前的页面?抱歉,搜索引擎不提供这个服务。
真要翻历史版本,得靠专门做存档的机构。最出名的就是互联网档案馆的 Wayback Machine,人家从九十年代就开始一页一页地存,同一个地址能拉出一条时间轴,2011 年的样子、2018 年的样子,都能点开看。国内也有类似的公益项目,规模小一些。
还有个更轻的办法叫 archive.today。你自己发现一个快要消失的页面,手动提交一下,它就给你存一份,生成一个永久链接。我遇到有意思的、随时可能被删的东西,就会顺手存一份。纯习惯。
一个是“路人经过时随手拍的”,一个是“专门架好相机来拍的”。差别很大。
真要用起来,记住这几个动作

搜索结果的标题旁边,或者标题底下那个小三角、小箭头,点开常常有“快照”两个字。找不到,就说明这次没抓,或者已经被撤了。
地址栏直接输 cache: 前缀那种老办法,现在基本都不好使,别折腾。
想找已经消失的页面,先去 Wayback Machine 的搜索框,把完整网址粘进去。没有的话,再换 archive.today 碰碰运气。
如果你自己是站长,发现快照里还留着不该留的内容,去搜索引擎的站长后台提交一下“移除旧版快照”,比干等快得多。
还有,快照是有时间戳的。页面上通常会标“某某年某月某日抓取”。看内容之前先扫一眼那个日期,别拿着五年前的价格表去跟人家吵架。
说到底,网页快照有点像互联网的旧物仓。不完整,不漂亮,经常缺胳膊少腿。但有些东西,是真的只在那儿了。
那个炖牛肉的方子,朋友后来照着做了。
他说味道一般。
我说,那是方子的问题,不是快照的问题。