Contexte et nécessité d’une sauvegarde locale

Le site teapuppies.com, hébergé depuis 2004 et inchangé depuis 2005, a disparu et son domaine a été réattribué à des publicités de jeux d’argent. Cette perte illustre le risque de disparition des contenus web qui ne sont pas capturés par des institutions comme l’Internet Archive. L’auteur, professionnel de l’archivage web, montre que la responsabilité de la préservation peut être assumée individuellement.

Outils d’archivage personnel présentés

Trois solutions sont détaillées :

ArchiveWeb.page – extension Chrome qui capture la page visible ainsi que les ressources chargées après interaction. Le processus se résume à installer l’extension, lancer « Start Archiving », naviguer sur les pages souhaitées, puis cliquer sur « Stop Archiving ». Les archives sont stockées au format WARC, standard ouvert pour les archives web.

archiveweb.page – application autonome qui intègre un navigateur dédié. Elle reproduit exactement les étapes de l’extension mais ne nécessite pas Chrome. L’interface ouvre directement le gestionnaire d’archives, facilitant la consultation locale.

Browsertrix – outil de crawling basé sur un navigateur automatisé. L’utilisateur indique une URL de départ (ex. https://teapuppies.mistys-internet.website) et le moteur suit les liens pour récupérer l’ensemble du domaine. Le post indique que les paramètres par défaut ont suffi à capturer le site complet, et montre comment restreindre le crawl à un sous‑répertoire (/episodes/) ou à une page unique.

Fonctionnement technique des solutions

Les deux premières solutions reposent sur l’API WebExtensions de Chrome pour intercepter les requêtes HTTP et les réponses, puis les sérialiser en blocs WARC. Chaque bloc comprend les en‑têtes, le corps et un horodatage, garantissant la reproductibilité exacte de la page au moment de la capture.

Browsertrix, quant à lui, utilise Playwright (ou un moteur similaire) pour piloter un navigateur headless. Le crawler construit un graphe de liens à partir du DOM, applique des filtres d’URL et déclenche les requêtes réseau. Les réponses sont écrites dans un fichier WARC unique, ce qui permet une lecture séquentielle ou aléatoire par les visionneuses classiques.

Limites, coûts et bonnes pratiques

ArchiveWeb.page et archiveweb.page sont gratuits, mais ils dépendent du navigateur local : la capture s’arrête si le processus est interrompu ou si le réseau échoue. Les archives restent sur l’appareil de l’utilisateur, ce qui implique un risque de perte physique.

Browsertrix propose un essai de sept jours puis un modèle pay‑per‑use. Bien que le code soit open source, le service hébergé nécessite un abonnement pour les gros volumes. De plus, le crawling automatisé peut être bloqué par des politiques robots.txt ou des mécanismes anti‑bot, limitant la complétude de l’archive.

Pour garantir la pérennité, il est recommandé de télécharger le fichier WARC, de le stocker sur plusieurs supports (disque dur, cloud) et de vérifier l’intégrité avec les sommes de contrôle SHA‑256 fournies par l’outil. Enfin, la diffusion d’une archive doit respecter les droits d’auteur ; le format WARC ne supprime pas les métadonnées de licence.