trovadores.org alojaba ocho blogs en 2006 y acabó vendiendo tejados: qué se recupera de una web que ya no existe

La lista salió ordenada por número de webs que enlazaban a cada página, y las cuatro primeras hablaban de reparación de tejados, limpieza de moquetas, recogida de aceite usado y hornos microondas. En inglés. El dominio era trovadores.org, y esas páginas se colocaron ahí cuando dentro ya no quedaba nadie.

Más abajo, con menos enlaces pero con nombres que sí decían algo, aparecía lo otro: /salvaje/, /demona/, /laberint/, /604/, /aethern/. Y subdominios: maclaque, utopia, blood. Direcciones que terminaban en archives/000116.html, la numeración correlativa de Movable Type, y otras con el formato /2006/03/los_bloggers_son_tontos_breve.html. Ocho o nueve blogs colgando de un mismo dominio, en castellano y en catalán, escritos en 2005 y 2006 por gente que se conocía entre sí y que compartía servidor porque uno de ellos lo pagaba.

Lo que queda es lo que copió otro

El final de una web casi nunca es dramático. Hay tres formas de llegar a él y las tres acaban igual. Una plataforma cierra ordenadamente y avisa: pasó con Windows Live Spaces, que dio meses y una herramienta de migración. Una plataforma se apaga sin avisar y un día el dominio devuelve un error. O nadie cierra nada: simplemente el que pagaba el alojamiento se cansa, deja de renovar y el dominio sale al mercado.

En los tres casos el resultado técnico es el mismo. El servidor donde vivían los textos, la base de datos con las entradas y los comentarios, las imágenes subidas a mano, todo eso deja de existir en el momento en que alguien apaga una máquina o deja de pagar una factura. A partir de ahí lo único recuperable es lo que un tercero hubiera copiado antes, y ese tercero suele ser uno solo: la Wayback Machine del Internet Archive, abierta al público en octubre de 2001.

Conviene entender cómo copia, porque explica qué se salva y qué no. La Wayback no hace una foto del sitio entero: rastrea páginas sueltas, y llega a ellas porque alguien las enlazó. Las portadas se archivan mucho, porque todo el mundo enlaza a la portada. Las entradas individuales se archivan poco, salvo que las citaran, las mencionaran en un agregador o las guardara alguien en sus marcadores. De un blog con seiscientas entradas es habitual que queden archivadas quince, y todas ellas por la misma razón: tuvieron un momento de atención.

Los comentarios se pierden casi siempre

Ésta es la pérdida sistemática. En Movable Type y en las primeras versiones de WordPress los comentarios se imprimían dentro de la página individual de cada entrada, así que sobreviven exactamente en la misma proporción que esas páginas: poco. En todo lo que vino después —sistemas que cargaban los comentarios aparte, con una llamada al servidor una vez abierta la página— no sobrevive nada, porque el rastreador guarda el HTML que le sirven, no lo que se pinta luego.

En el material rescatado de trovadores.org se ve con una claridad casi cómica. En las portadas archivadas, debajo de algunas entradas, se lee el contador: Comments (1). Ese comentario existió, alguien lo escribió y el sistema lo contó. La página donde estaba no la archivó nadie. Queda el número y se ha ido el texto.

El robots.txt que borraba el pasado

Hay una trampa que se llevó por delante archivos enteros y que casi nadie conocía. Durante años, el Internet Archive respetaba el robots.txt actual de un dominio y lo aplicaba hacia atrás: si el fichero decía que no se rastreara, las capturas antiguas dejaban de mostrarse. Cuando un dominio caducaba y caía en manos de una empresa de aparcamiento de dominios, esa empresa ponía un robots.txt genérico que bloqueaba todo, y con eso desaparecía de la vista lo archivado en los diez años anteriores. No se borraba, pero era como si se hubiera borrado. En 2017 el Internet Archive anunció que dejaba de hacerlo, empezando precisamente por los dominios aparcados.

Cómo se saca un sitio entero

No hace falta ir capturando páginas a mano. El archivo tiene un índice público, el CDX, que se consulta con una dirección del tipo web.archive.org/cdx/search/cdx?url=ejemplo.com/*&output=json y devuelve todas las capturas que existen de ese dominio, con su fecha y su código de respuesta. El trabajo consiste en filtrar: quedarse con las respuestas 200 de tipo HTML, tirar los feeds, las páginas de administración, la paginación y los adjuntos, y coger la captura más reciente de cada dirección.

Luego se bajan. Un detalle que ahorra horas de limpieza: si a la marca de tiempo de la URL se le añade el sufijo id_ —/web/20060315000000id_/http://…— el archivo devuelve el fichero original, sin la barra de navegación que la Wayback inyecta encima de cada página.

Queda la parte que no es técnica. Ese texto sigue siendo de quien lo escribió. Comprar un dominio caducado no compra lo que se publicó en él, y republicarlo como si fuera contenido propio es un problema de derechos antes que ninguna otra cosa. Por eso lo que hay aquí dentro está presentado como lo que es: un archivo. Veinticuatro páginas restauradas, cada una con su dirección original y la fecha de la captura de la que salió.

Qué hay hoy en este dominio

Poco y desordenado, que es como sale todo esto. Varias entradas de Diario de un Rocker, incluida una de marzo de 2006 titulada «Los bloggers son tontos, breve historia de la blogosfera». Portadas de srta. X, de Postals des del frenopàtic 3.0, de Demona, Laberint, 604 y Aethern. Y, compartiendo servidor con todos ellos, la web de un restaurante de Rascafría con su carta, su página de la estación de esquí y hasta un enlace a una webcam que hace veinte años que no emite.

Si tu blog todavía está en pie, hay dos cosas que se hacen en diez minutos. Exportar: el fichero XML de WordPress y el de Blogger sí incluyen los comentarios, que es justo lo que el archivo no va a salvarte. Y guardar las imágenes por separado, porque viven en una carpeta que la exportación no se lleva. La tercera, para lo que ya no controlas, es pedirle al archivo que guarde una página concreta desde web.archive.org/save. Tarda unos segundos y es la diferencia entre que dentro de quince años quede el texto o quede el contador de comentarios.