ArchiveBox · 开源自托管的网页存档工具
你需要的不是那个网址，是那一天的页面
写一份行业分析时，你引用了三个月前读到的一篇深度报道。今天回头核对其中一组数据，收藏夹里的链接点开是 404。换搜索引擎找标题，只找到别人转述的片段；去在线快照站点翻，最新的快照停在你读到它之前的那一版。那篇文章里的表格、图表、原文的措辞，全都不在了。你忽然发现，自己当初收藏的只是一串地址，不是那篇报道。
把「网页」变成「文件」，存在自己的机器上
ArchiveBox 做的是一件很朴素的事：你把网址交给它，它把当时的页面抓下来，存成文件，放在你自己的机器上。
一次存档会同时留下原始 HTML、单文件 HTML、PDF、截图、WARC 和提取出的正文，再用本地数据库建立全文索引。几年后你搜一个词，它把当时的页面原样调出来。它有一套网页界面、命令行和 REST API，定期抓取也能自己按点做。
边界也说清楚：
- 它做：保存 HTML / PDF / 截图 / WARC / 正文、本地全文检索、定时抓取、命令行与 REST API
- 它不做：不是在线的托管平台，存档只存在你的实例上，实例释放就一并删除；对需要登录或强反爬的站点，抓取结果可能不完整
通过阿里云计算巢部署，1 分半左右开箱可用，不用自己装 Chromium、single-file、yt-dlp 这一整套抓取依赖——它们恰恰是 ArchiveBox 手工部署时最容易失败的环节。
它解决了什么问题
| 你原来怎么干 | 代价 | 用它之后 |
|---|---|---|
| 收藏夹、浏览器书签 | 链接一失效，什么都没留下 | 每存一次，HTML、PDF、截图、正文都落到自己盘上 |
| 用在线快照站点 | 内容交给第三方，能不能存、存多久不由你 | 存档在自己实例里，保留策略自己定 |
| 手动「另存为 PDF」 | 只有一种格式，图可能丢，更没法全文检索 | 多种格式同时保存，本地全文搜索 |
| 想起来才回访重要页面 | 常常想不起来，变化就这么错过 | 配好定时抓取，RSS 和列表自动入库 |
回到那篇分析：你把引用的几个来源一次性丢进 ArchiveBox，之后每次引用前先在自己的库里搜一遍。三个月后再核对，打开的是当时的 PDF 和截图，表格一行不差。原链接失效与否，已经不影响你的稿子。
而更深一层的变化是：网页从「看过就算」的一次性消费，变成了可以反复引用的长期资料。你的收藏不再是一串随时会断的地址，而是一份放在自己机器上、能搜能翻能一直用下去的底稿——存得越久，它越值钱。
核心能力
存下来的不是链接，是页面本体
这一段接手的正是开头那个 404：让「当时的页面」留得下来。
- 一次存成多种格式 —— HTML、单文件 HTML、PDF、截图、WARC、正文同时留存，任何工具都能直接读
- 过很多年还能打开 —— 存的是通用文件格式，不依赖 ArchiveBox 本身还能不能跑
- 多种方式喂网址进来 —— 网页界面提交、浏览器扩展、RSS、书签文件、命令行都可以
存进去之后，找得回来
存档如果不建索引，等于把纸塞进箱子。
- 本地全文检索 —— 按正文里的词搜，不用靠标题去猜
- 快照列表与标签 —— 按主题归类，重要页面一眼能找到
- 命令行与 REST API —— 批量入库，或者接进自己的采集流程
抓取这件事，交给它按点做
需要持续观察的页面，靠人记着迟早会断。
- 内置定时抓取 ——
archivebox schedule直接从 RSS 和网页拉新内容，不需要另外配 cron 容器 - Webhook 通知 —— 抓取完成后通知其他系统，接进现有流程
谁最该用
| 用户类型 | 典型场景 | 用它拿到什么 |
|---|---|---|
| 写作者、行业研究者 | 引用来源、核对数据 | 每一条引用都有当时的原件可查 |
| 合规与档案团队 | 竞品页面、政策文件留档 | 存档放在自己的机器上，保留策略自己定 |
| 市场、竞品监测 | 定期记录对手页面变化 | 定时抓取，变化一期不落 |
| 做个人知识管理的人 | 长期积累资料库 | 全文可搜，多年后仍能翻出来 |
技术支持
- 官方仓库：https://github.com/ArchiveBox/ArchiveBox
- 官方文档：https://docs.archivebox.io/
- 问题反馈：GitHub Issues
🚀 立即体验
→ 一键部署 ArchiveBox
部署完成后，用实例输出里的管理员账号和密码登录，点 Add，把第一个想留住的网址交给它。
