ArchiveBox自托管网页归档完整指南：永久保存互联网内容的终极方案
【免费下载链接】ArchiveBox🗃 Open source self-hosted web archiving. Takes URLs/browser history/bookmarks/Pocket/Pinboard/etc., saves HTML, JS, PDFs, media, and more...项目地址: https://gitcode.com/gh_mirrors/ar/ArchiveBox
在信息爆炸的互联网时代，重要网页随时可能消失或改变。ArchiveBox作为开源自托管网页归档工具，让您能够永久保存网页内容，确保珍贵信息不会丢失。无论您是个人用户还是企业组织，ArchiveBox都能为您提供可靠、灵活的网页存档解决方案。
什么是ArchiveBox？
ArchiveBox是一个自托管应用程序，能够以多种格式保存网页内容。它旨在让您的数据立即可用，并以其他程序可直接读取的格式保存。作为输出，它保存标准的HTML、PNG、PDF、TXT、JSON、WARC、SQLite等格式，保证未来几十年都能读取。
核心优势：
- 🆓完全免费开源：自主托管，掌控自己的数据并保护隐私
- 🛠️强大的CLI工具：支持模块化依赖和多种存储方案
- 📚全面的文档支持：活跃开发和丰富社区生态
ArchiveBox能保存什么内容？
ArchiveBox为每个URL创建快照文件夹，并以普通文件形式保存在文件夹内（如HTML、PDF、PNG、JSON等）。
支持的内容类型：
- 🌐任何网站：原始HTML+CSS+JS、SingleFile HTML、截图PNG、PDF、WARC、标题、文章文本、favicon、headers等
- 🎥社交媒体/新闻：帖子内容TXT、评论、标题、作者、图片等
- 🎬YouTube/SoundCloud等：MP3/MP4、字幕、元数据、缩略图等
- 💾Github/Gitlab等链接：GIT源代码克隆、README、图片等
快速安装指南
🐳 Docker Compose安装（推荐）
mkdir -p ~/archivebox/data && cd ~/archivebox curl -fsSL 'https://docker-compose.archivebox.io' > docker-compose.yml docker compose run archivebox init --setup docker compose up📦 Pip安装（适用于macOS/Linux）
pip3 install --upgrade archivebox yt-dlp playwright mkdir -p ~/archivebox/data && cd ~/archivebox/data archivebox init --setup archivebox server 0.0.0.0:8000核心功能详解
多格式存档支持
ArchiveBox使用行业标准工具如Chrome、wget、yt-dlp等，并将数据存储在普通文件和文件夹中。
存档格式包括：
index.html和index.json：包含元数据和详情的HTML和JSON索引文件singlefile.html：使用SingleFile通过无头Chrome渲染的HTML快照output.pdf：使用无头Chrome打印的网站PDFscreenshot.png：使用无头Chrome的1440x900网站截图article.html/json：使用Readability和Mercury的文章文本提取
灵活的输入方式
您可以通过多种方式向ArchiveBox提供URL：
输入源：
- 🌐浏览器扩展：实时保存Chrome/Chromium/Firefox浏览历史或选定页面
- 📄文本文件导入：支持从RSS、JSON、CSV、TXT、SQL、HTML、Markdown等文件手动导入URL
- 📚浏览器历史记录：从手动导出的浏览器历史记录（Netscape格式）
- 🔗书签服务：Pocket、Pinboard、Instapaper等
智能内容提取
ArchiveBox能够检测页面中出现的任何内容并将其提取到文件夹中。它使用所有可用的方法开箱即用，但您可以根据需要禁用提取器并微调配置。
实际应用场景
📰 新闻工作者
在研究过程中进行爬取、保存引用页面、事实核查和审查
⚖️ 法律工作者
收集和保存证据、检测变更、标记和审查
🔬 研究人员
分析社交媒体趋势、获取LLM训练数据、爬取管道
👤 个人用户
保存书签、保存投资组合内容、遗产/回忆录存档
配置与定制
ArchiveBox可以通过环境变量、使用archivebox configCLI或编辑./ArchiveBox.conf进行配置。
常用配置选项：
archivebox config --set TIMEOUT=120 # 在较慢网络上增加更多秒数 archivebox config --set CHECK_SSL_VALIDITY=False # 允许保存具有错误SSL的URL archivebox config --set SAVE_ARCHIVEDOTORG=False # 禁用Archive.org保存数据管理与导出
静态存档导出
您可以使用archivebox list将索引导出为静态HTML（这样您就可以在没有ArchiveBox服务器的情况下查看它）。
archivebox list --html --with-headers > index.html archivebox list --json --with-headers > index.json安全与隐私考量
私有内容归档
如果您要导入包含私有内容或包含不希望公开的机密令牌的URL（例如Google文档、付费内容、未列出视频等），您可能需要禁用某些提取器方法，以避免将这些内容泄露给第三方API或公众。
安全配置：
archivebox config --set SAVE_ARCHIVEDOTORG=False archivebox config --set PUBLIC_INDEX=False archivebox config --set PUBLIC_SNAPSHOTS=False企业级应用
ArchiveBox虽然是免费自托管的，但也为NGO、政府和其他组织提供支持、安全审查和自定义集成，帮助专业运行ArchiveBox。
升级与维护
ArchiveBox设计为具有确定性升级，确保您的存档数据在版本更新过程中保持完整性和可访问性。
结语
ArchiveBox作为开源自托管网页归档工具，为您提供了完整、可靠的网页保存解决方案。无论您是希望保存个人书签、研究资料，还是需要为企业保存重要网页证据，ArchiveBox都能满足您的需求。
开始使用ArchiveBox，让您关心的互联网部分自动以耐用、易于访问的格式保存数十年！
【免费下载链接】ArchiveBox🗃 Open source self-hosted web archiving. Takes URLs/browser history/bookmarks/Pocket/Pinboard/etc., saves HTML, JS, PDFs, media, and more...项目地址: https://gitcode.com/gh_mirrors/ar/ArchiveBox
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
