Wayback Machine: recuperar páginas apagadas

Conteúdo some da internet o tempo todo: um tuíte apagado, um perfil desativado, uma notícia editada sem aviso, uma página de empresa que reescreve o passado. Para o investigador OSINT, o que foi removido muitas vezes vale mais do que o que ficou. É aí que entram os arquivos da web. Neste guia você vai aprender a usar o Wayback Machine (web.archive.org) e o archive.today, incluindo a poderosa CDX API, para recuperar páginas apagadas e, mais importante, preservar essas descobertas como evidência.

Dois arquivos, duas lógicas

Não existe um único arquivo da web, e entender a diferença entre os dois principais é o primeiro passo.

O Wayback Machine, do Internet Archive, rastreia a web de forma automática e massiva, guardando bilhões de capturas (snapshots). Ele é amplo, mas respeita o robots.txt de alguns sites e nem sempre captura páginas dinâmicas.

O archive.today (também acessível como archive.is, archive.ph) arquiva apenas sob demanda, uma página por vez. Ele costuma capturar conteúdo que o Wayback ignora, congela um instantâneo visual fiel e, por vezes, pega páginas bloqueadas por robots.txt. Use os dois: eles se complementam.

Navegando o Wayback Machine na interface

O ponto de partida é https://web.archive.org. Cole a URL que você quer e será levado a uma linha do tempo com um calendário. Cada ponto azul no calendário é uma captura. O formato da URL de um snapshot é previsível e vale memorizar:

https://web.archive.org/web/[TIMESTAMP]/[URL]

O timestamp segue o padrão AAAAMMDDhhmmss. Há atalhos úteis diretamente na URL:

https://web.archive.org/web/2023/https://exemplo.com.br
https://web.archive.org/web/20230101000000*/https://exemplo.com.br

O primeiro leva à captura mais próxima de 2023; o asterisco no segundo abre a visão de todas as capturas. Um truque poderoso é usar id_ logo após o timestamp para ver a versão original sem a barra de navegação do arquivo, útil para capturas de tela limpas:

https://web.archive.org/web/20230101000000id_/https://exemplo.com.br

Save Page Now: arquivando você mesmo

Encontrou uma página sensível que ainda está no ar e pode sumir? Arquive imediatamente. Na interface, use a caixa "Save Page Now" em https://web.archive.org/save. Isso gera uma URL permanente no formato padrão de snapshot. Criar uma conta gratuita no Internet Archive libera recursos extras, como salvar também os links externos (outlinks) da página. Essa é a sua primeira linha de defesa contra a remoção de conteúdo durante uma investigação.

A Availability API para checagens rápidas

Para saber de forma programática se uma URL está arquivada, use a Availability JSON API:

curl "https://archive.org/wayback/available?url=exemplo.com.br"

A resposta indica a captura mais próxima:

{
  "archived_snapshots": {
    "closest": {
      "available": true,
      "url": "http://web.archive.org/web/20130919044612/http://example.com/",
      "timestamp": "20130919044612",
      "status": "200"
    }
  }
}

Dá para pedir a captura mais próxima de uma data específica com o parâmetro timestamp:

curl "https://archive.org/wayback/available?url=exemplo.com.br&timestamp=20200101"

A CDX API: o canivete suíço do investigador

A Availability API responde uma captura por vez. Quando você precisa de todas as capturas de uma URL ou de um site inteiro, a CDX Server API é a ferramenta certa. O endpoint é:

https://web.archive.org/cdx/search/cdx

O único parâmetro obrigatório é url. Uma consulta básica em JSON:

curl "https://web.archive.org/cdx/search/cdx?url=exemplo.com.br&output=json&limit=10"

O retorno é um array onde a primeira linha são os cabeçalhos:

[["urlkey","timestamp","original","mimetype","statuscode","digest","length"],
 ["br,com,exemplo)/","20190312101500","http://exemplo.com.br/","text/html","200","ABCD...","1543"]]

Os parâmetros que mudam tudo:

Parâmetro	Função	Exemplo
`output=json`	Retorna JSON em vez de texto	`output=json`
`fl`	Seleciona apenas certos campos	`fl=timestamp,original,statuscode`
`from` / `to`	Filtra por intervalo de datas	`from=20200101&to=20201231`
`filter`	Filtra por valor de campo	`filter=statuscode:200`
`collapse`	Remove duplicatas consecutivas	`collapse=digest`
`matchType=prefix`	Busca todas as páginas de um caminho	`matchType=prefix`

O collapse=digest é essencial: ele descarta capturas idênticas em sequência (mesmo hash de conteúdo), revelando apenas os momentos em que a página de fato mudou. Já collapse=timestamp:8 reduz a uma captura por dia.

Um exemplo completo que mapeia todas as páginas de um blog que retornaram status 200:

curl -s "https://web.archive.org/cdx/search/cdx?url=exemplo.com.br/blog/*&output=json&fl=timestamp,original,statuscode&filter=statuscode:200&collapse=urlkey&matchType=prefix"

Na prática: provando que uma página mudou

Imagine que uma empresa removeu uma promessa de garantia do site. Fluxo investigativo:

Rode a CDX API com collapse=digest sobre a URL exata. Você obtém a lista cronológica de versões realmente diferentes.
Abra a captura anterior à mudança usando o timestamp retornado, no formato web/[timestamp]/[url].
Compare com a captura posterior, lado a lado. A diferença de digest entre elas é a prova técnica de que o conteúdo foi alterado.
Arquive agora a versão atual com o Save Page Now, para fixar o estado presente.
Replique no archive.today, submetendo a mesma URL. Ter a página em dois arquivos independentes fortalece muito a evidência.
Registre tudo: URLs de snapshot, timestamps e capturas de tela com a barra de endereços visível.

Armadilhas comuns

Fuso horário. Os timestamps do Wayback são em UTC. Converta antes de afirmar datas.
Recursos faltando. Imagens e scripts podem não ter sido arquivados junto; o layout pode parecer quebrado sem que o texto esteja errado.
Confiar em uma única captura. Sempre verifique se a página não foi capturada já alterada. A sequência de digests ajuda.
Link que some. Se o alvo ainda está no ar, arquive antes de analisar. Não deixe para depois.

Ética e legalidade

Arquivos da web contêm apenas o que já era público no momento da captura. Consultar e citar snapshots é legítimo e é prática padrão de jornalistas e pesquisadores. Ainda assim, no Brasil vale respeitar a LGPD ao tratar dados pessoais encontrados: use-os com finalidade legítima e proporcional. Evidência bem preservada, com URL permanente e timestamp em UTC, é o que transforma uma captura em algo defensável.

Tem uma técnica favorita de garimpo na CDX API ou um caso em que o archive.today salvou sua investigação? Conte para a comunidade OsintHunters Brasil: os melhores atalhos de arquivo quase sempre vêm da troca entre quem investiga.

Wayback Machine: como recuperar páginas apagadas e provar o que existia