هنر داده‌کاوی در آرشیوهای فراموش شده وب؛ استخراج گنج از دل کدهای مرده

دسترسی به اطلاعاتی که سال‌ها پیش از صفحه روزگار دیجیتال محو شده‌اند، برای هر پژوهشگر، روزنامه‌نگار یا گیک تکنولوژی یک مهارت حیاتی و کاربردی است. در این مقاله می‌خواهیم ببینیم چگونه داده‌کاوی در آرشیوهای قدیمی وب می‌تواند ما را به مطالبی برساند که تصور می‌شد برای همیشه از دست رفته‌اند. آیا واقعاً چیزی در اینترنت پاک می‌شود یا فقط از دیدرس ما خارج می‌گردد؟ در پی آن هستیم که با بررسی متدهای علمی و ابزارهای نوین، روش‌های بازیابی مطالب فراموش شده وب را مرور کنیم و ببینیم چرا این دانش در عصر اخبار جعلی و تغییر تاریخ، از همیشه ضروری‌تر است. با ما همراه باشید تا به اعماق تاریک وب سفر کنیم.

۱. آناتومی وب آرشیو و ماشین زمان دیجیتال

اینترنت برخلاف تصور عموم، یک حافظه ابدی نیست؛ بلکه موجودیتی به شدت فرار است. وب آرشیو (Internet Archive) به عنوان بزرگترین کتابخانه دیجیتال جهان، پروژه‌ای است که تلاش می‌کند از این نابودی جلوگیری کند. این سازمان با استفاده از خزنده‌های وب (Web Crawlers)، هر روز میلیون‌ها صفحه را ذخیره می‌کند. آناتومی این آرشیو بر پایه «Snapshot» یا تصویر لحظه‌ای استوار است. یعنی شما نمی‌توانید لزوماً هر تغییری را ببینید، بلکه فقط وضعیت سایت در زمان‌هایی که خزنده به آن سر زده است، قابل مشاهده است. درک این ساختار به ما کمک می‌کند تا بفهمیم چرا برخی لینک‌ها در آرشیو کار می‌کنند و برخی دیگر با خطای ۴۰۴ روبرو می‌شوند؛ زیرا خزنده نتوانسته در آن لحظه خاص تمام منابع را بارگذاری کند.

از منظر فنی، داده‌کاوی در این آرشیو نیازمند درک پروتکل‌های وب قدیمی است. بسیاری از صفحات ذخیره شده در دهه نود میلادی از استانداردهایی استفاده می‌کردند که امروز منسوخ شده‌اند (مثل Flash یا فریم‌های پیچیده). ماشین زمان (WayBack Machine) سعی می‌کند این محیط را شبیه‌سازی کند، اما برای یک داده‌کاو حرفه‌ای، اصل ماجرا در دسترسی به متادیتای این صفحات نهفته است. با تحلیل هدرهای HTTP ذخیره شده، می‌توان فهمید که یک مطلب دقیقاً در چه تاریخی تغییر کرده یا حذف شده است. این دانش به ما اجازه می‌دهد تا فراتر از یک تماشای ساده، به «باستان‌شناسی دیجیتال» بپردازیم و لایه‌های مختلف یک وب‌سایت را در طول زمان بشکافیم تا به حقیقت محتوای اولیه برسیم.

۲. تکنیک‌های پیشرفته در جستجوی WayBack Machine

بسیاری از کاربران فقط با وارد کردن URL در ماشین زمان از آن استفاده می‌کنند، اما این سطح ابتدایی ماجراست. برای داده‌کاوی واقعی، باید از پارامترهای پیشرفته جستجو و فیلترهای زمانی استفاده کرد. یکی از تکنیک‌های نایاب، استفاده از «Wildcards» در جستجوی آدرس‌هاست. به عنوان مثال، با وارد کردن یک ستاره در انتهای آدرس یک دامنه، می‌توانید لیست تمام زیرشاخه‌ها و فایل‌هایی که تا به حال از آن سایت آرشیو شده است را ببینید. این کار به شما اجازه می‌دهد مطالبی را پیدا کنید که هرگز در صفحه اصلی لینک نشده بودند یا در بخش‌های مخفی سرور قرار داشتند. این متد برای پیدا کردن اسناد PDF قدیمی یا تصاویری که از متن حذف شده‌اند، بسیار کارآمد است.

تکنیک دیگر، مقایسه نسخه‌ها (Version Comparison) است. ماشین زمان ابزاری دارد که به شما اجازه می‌دهد دو تاریخ مختلف از یک صفحه را کنار هم بگذارید و تفاوت‌های محتوایی را با رنگ‌های مختلف مشاهده کنید. این قابلیت برای ردگیری سانسور یا تغییر موضع سازمان‌ها در طول زمان فوق‌العاده است. همچنین، گیک‌های داده‌کاوی از API مخصوص این سایت برای استخراج انبوه داده‌ها استفاده می‌کنند. به جای کلیک‌های دستی، می‌توانید اسکریپتی بنویسید که تمام متون منتشر شده در یک بازه زمانی خاص از یک خبرگزاری قدیمی را دانلود و برای تحلیل‌های متنی (Text Mining) آماده کند. این سطح از دسترسی، آرشیو وب را از یک موزه ساده به یک پایگاه داده عظیم برای تحلیل‌های جامعه‌شناختی و تاریخی تبدیل می‌کند.

۳. کش گوگل (Google Cache) و فرصت‌های آخرین لحظه

گوگل به عنوان حاکم جستجو، نسخه‌ای از تمام صفحاتی که ایندکس می‌کند را در حافظه موقت خود یا همان «کَش» (Cache) نگه می‌دارد. تفاوت اصلی کش گوگل با وب آرشیو در سرعت و تازگی آن است. در حالی که ماشین زمان ممکن است ماه‌ها به یک سایت سر نزند، گوگل تقریباً هر روز یا حتی هر ساعت صفحات محبوب را بازبینی می‌کند. اگر مطلبی همین چند ساعت پیش حذف شده باشد، کش گوگل بهترین و شاید تنها راه برای بازیابی آن است. با استفاده از دستور `cache:URL` در نوار جستجو، می‌توانید آخرین نسخه‌ای که گوگل از آن صفحه دیده است را مشاهده کنید. این نسخه شامل تمام متن‌ها و ساختار اصلی صفحه است، حتی اگر سرور اصلی کاملاً از کار افتاده باشد.

اما یک نکته فنی ظریف وجود دارد: گوگل دو نوع کش ارائه می‌دهد؛ نسخه Full HTML و نسخه Text-only. نسخه متنی برای داده‌کاوان بسیار باارزش‌تر است، زیرا کدهای سنگین جاوا اسکریپت و تبلیغات را حذف کرده و فقط محتوای خالص را نشان می‌دهد که برای استخراج داده بسیار تمیزتر است. همچنین باید توجه داشت که کش گوگل بسیار فرار است؛ به محض اینکه گوگل متوجه شود صفحه اصلی حذف شده (خطای ۴۰۴)، در آپدیت بعدی کش آن را نیز پاک خواهد کرد. بنابراین در داده‌کاوی آرشیوهای جدید، زمان فاکتور اصلی است. ابزارهایی وجود دارند که به محض تغییر یک صفحه، به صورت خودکار نسخه کش گوگل آن را ذخیره می‌کنند تا از نابودی همیشگی اطلاعات در گذار از حافظه موقت به فراموشی دائمی جلوگیری کنند.

۴. داده‌کاوی در وب‌سایت‌های مرده با استفاده از APIها

وقتی با یک دامنه کاملاً از دست رفته (Dead Domain) روبرو هستیم که حتی در ماشین زمان هم به خوبی ذخیره نشده، باید به سراغ APIهای تخصصی داده‌کاوی برویم. سرویس‌هایی وجود دارند که دیتابیس‌های عظیمی از کدهای HTML قدیمی وب را در اختیار دارند و از طریق API به پژوهشگران اجازه جستجو می‌دهند. این ابزارها فراتر از یک اسکرین‌شات ساده، به شما اجازه می‌دهند در «کد منبع» (Source Code) صفحات مرده جستجو کنید. مثلاً می‌توانید جستجو کنید که کدام سایت‌های منسوخ شده در سال ۲۰۱۰ از یک اسکریپت خاص یا یک شناسه گوگل آنالیتیکس (Google Analytics ID) مشترک استفاده می‌کردند. این روش برای پیدا کردن شبکه‌های وب‌سایتی مخفی (PBN) که سال‌ها پیش فعال بوده‌اند، بی‌نظیر است.

استفاده از این APIها نیازمند دانش برنامه‌نویسی مقدماتی (معمولاً پایتون) است. شما می‌توانید درخواستی بفرستید تا تمام صفحاتی که کلمه کلیدی خاصی در متاتگ‌هایشان (Meta Tags) داشتند را برایتان لیست کند. زیبایی این روش در این است که شما با «داده‌های ساختاریافته» سروکار دارید. به جای خواندن هزاران صفحه آرشیوی، خروجی را به صورت یک فایل JSON دریافت می‌کنید که شامل عنوان، متن، تاریخ و تگ‌های هر صفحه است. این نوع داده‌کاوی در آرشیوهای قدیمی وب، به برندها کمک می‌کند تا تاریخچه استفاده از علامت تجاری خود را ردیابی کنند یا برای محققان امنیتی امکانی فراهم می‌آورد تا منشا حملات سایبری قدیمی را در سایت‌هایی که دیگر وجود ندارند، پیدا کنند. این در واقع استخراج طلا از ویرانه‌های دیجیتال است.

۵. استفاده از Common Crawl برای تحقیقات کلان‌داده

اگر هدف شما داده‌کاوی در مقیاس کلان (Petabyte-scale) است، پروژه‌ی «کامن کراول» (Common Crawl) منبع اصلی شماست. این سازمان غیرانتفاعی، هر ماه میلیاردها صفحه وب را خزیده و داده‌های خام را به صورت فایل‌های WARC در فضای ابری آمازون (AWS) به صورت رایگان در اختیار عموم قرار می‌دهد. برخلاف وب آرشیو که برای مشاهده انسانی طراحی شده، کامن کراول برای ماشین‌ها و الگوریتم‌های هوش مصنوعی ساخته شده است. مدل‌های بزرگی مثل GPT-3 بخش زیادی از دانش خود را مدیون داده‌کاوی در همین آرشیوهای عظیم هستند. برای یک گیک تکنولوژی، دسترسی به این مخزن یعنی دسترسی به تاریخچه متنی وب در ۲۰ سال اخیر بدون نیاز به خزیدن دوباره وب.

داده‌کاوی در کامن کراول نیازمند استفاده از تکنولوژی‌های پردازش موازی مثل Apache Spark یا Hadoop است. شما نمی‌توانید این حجم از داده را روی یک کامپیوتر شخصی تحلیل کنید. اما با استفاده از این ابزارها، می‌توانید سوالات بزرگی بپرسید؛ مثلاً «سیر تغییر لحن کاربران در مورد یک موضوع خاص از سال ۲۰۰۸ تا ۲۰۲۴ در وب فارسی چگونه بوده است؟». کامن کراول به شما اجازه می‌دهد تا الگوهای زبانی، لینک‌سازی‌های قدیمی و حتی ساختارهای تبلیغاتی وب را در طول دهه‌ها مطالعه کنید. این آرشیو، ستون فقرات تحقیقات آکادمیک در حوزه وب‌سنجی (Webometrics) است و به ما اجازه می‌دهد بفهمیم که وب چگونه از یک فضای آکادمیک و ساده به یک میدان جنگ تجاری و سیاسی تبدیل شد.

۶. بازیابی تصاویر و فایل‌های چندرسانه‌ای از بین رفته

یکی از بزرگترین مشکلات در آرشیوهای قدیمی، «لینک‌های شکسته تصاویر» است. معمولاً متن‌ها به خوبی ذخیره می‌شوند اما فایل‌های سنگین مثل عکس و ویدئو به دلیل محدودیت فضا در آرشیوها گم می‌شوند. برای داده‌کاوی و پیدا کردن این فایل‌ها، باید از تکنیک «مهندسی معکوس آدرس» استفاده کرد. اغلب سایت‌های قدیمی، تصاویر را در ساب‌دامین‌های خاص یا سرویس‌های آپلود عکس (مثل ImageShack یا TinyPic) ذخیره می‌کردند. با پیدا کردن الگوی نام‌گذاری این فایل‌ها در کدهای HTML آرشیوی، می‌توان در موتورهای جستجوی تخصصی تصویر یا حتی در دیتابیس‌های لو رفته قدیمی به دنبال آن‌ها گشت. گاهی اوقات یک عکس که در سایت اصلی حذف شده، در کش سرورهای توزیع محتوا (CDN) یا نسخه‌های کپی شده در سایت‌های دیگر هنوز زنده است.

روش دیگر، استفاده از «جستجوی معکوس تصویر» (Reverse Image Search) روی تصاویر بندانگشتی (Thumbnails) است که ممکن است در آرشیو باقی مانده باشند. با آپلود همان نسخه کوچک و بی‌کیفیت در گوگل یا تین‌آی (TinEye)، می‌توانید نسخه‌های باکیفیت و اصلی آن را در گوشه‌های دیگر وب پیدا کنید. همچنین برای ویدئوها، سرویس‌هایی وجود دارند که متادیتای ویدئوهای حذف شده یوتیوب را نگه می‌دارند. با داشتن شناسه ویدئو (Video ID) از یک مطلب قدیمی وب، می‌توانید عنوان، دیسکریپشن و حتی کامنت‌های آن ویدئو را بازیابی کنید، حتی اگر خود ویدئو پاک شده باشد. این بازیابی چندرسانه‌ای، روح تازه به مطالب مرده می‌بخشد و پازل محتوای قدیمی را کامل می‌کند.

۷. ابزارهای متن‌باز (OSINT) برای ردگیری محتوا

در دنیای اطلاعات متن‌باز (Open Source Intelligence – OSINT)، ابزارهای بی‌نظیری برای داده‌کاوی در آرشیوهای وب وجود دارد. ابزارهایی مثل «SpiderFoot» یا «Maltego» می‌توانند به صورت خودکار تمام ردپاهای یک وب‌سایت قدیمی را در صدها دیتابیس مختلف جستجو کنند. این ابزارها فقط به وب آرشیو بسنده نمی‌کنند؛ آن‌ها سوابق DNS قدیمی، تاریخچه مالکیت دامنه (Whois History) و حتی رکوردهای ایمیل‌های مرتبط با آن سایت را بیرون می‌کشند. از این طریق می‌توان فهمید که یک مطلب فراموش شده وب، توسط چه کسی نوشته شده و چه ارتباطاتی با دیگر سایت‌ها داشته است. این سطح از داده‌کاوی، مطالب را از حالت انتزاعی خارج کرده و به آن‌ها هویت و زمینه (Context) می‌بخشد.

یکی از تکنیک‌های جذاب OSINT، استفاده از «Archive.today» است. این سرویس برخلاف وب آرشیو، صفحات را به صورت دقیق رندر کرده و از آن‌ها اسکرین‌شات می‌گیرد و حتی کدهای جاوا اسکریپت را هم به صورت ایستا ذخیره می‌کند. بسیاری از مطالبی که در وب آرشیو به دلیل محدودیت‌های فایل robots.txt ذخیره نشده‌اند، در این سرویس پیدا می‌شوند. داده‌کاوان حرفه‌ای از ترکیب این ابزارها برای «تایید اعتبار» (Validation) مطالب قدیمی استفاده می‌کنند. اگر مطلبی در سه آرشیو مختلف با متادیتای یکسان پیدا شود، می‌توان با اطمینان ۹۹ درصد گفت که آن محتوا اصالت دارد و دستکاری نشده است. این موضوع در تحقیقات حقوقی و تاریخی که نیاز به مستندات غیرقابل انکار دارند، بسیار حیاتی است.

۸. چالش‌های حقوقی و اخلاقی در استخراج آرشیوها

داده‌کاوی در آرشیوهای قدیمی وب همواره با چالش‌های اخلاقی و قانونی همراه است. آیا ما حق داریم مطلبی را که نویسنده‌اش سال‌ها پیش حذف کرده، دوباره زنده کنیم و در دسترس عموم قرار دهیم؟ از نظر قانونی، قوانین کپی‌رایت حتی برای مطالب آرشیو شده نیز صادق است. صرف اینکه مطلبی در ماشین زمان موجود است، به معنای «مالکیت عمومی» (Public Domain) بودن آن نیست. پژوهشگران باید مراقب باشند که استفاده از این داده‌ها منجر به نقض حریم خصوصی افراد (مثل بازیابی اطلاعات تماس شخصی که سال‌ها پیش فاش شده بود) نشود. در اروپا، قوانین «حق فراموش شدن» (Right to be Forgotten) حتی می‌تواند آرشیوهای دیجیتال را مجبور به حذف برخی داده‌های قدیمی کند.

از سوی دیگر، داده‌کاوی در آرشیوها ابزاری برای «عدالت دیجیتال» است. جلوگیری از بازنویسی تاریخ توسط قدرت‌ها یا شرکت‌های بزرگ، تنها از طریق همین آرشیوها ممکن است. چالش اخلاقی زمانی پررنگ می‌شود که با داده‌های حساس یا لو رفته (Leaks) در آرشیوها روبرو می‌شویم. یک داده‌کاو مسئولیت‌پذیر باید بین «ارزش خبری و تاریخی» و «آسیب احتمالی به افراد» تعادل برقرار کند. استفاده از مطالب قدیمی برای تخریب شخصیت افراد بر اساس دیدگاه‌هایی که شاید دهه‌ها پیش داشته‌اند و اکنون تغییر کرده‌اند، یکی از جنبه‌های منفی این تکنولوژی است. بنابراین، داده‌کاوی در وب قدیمی نباید فقط یک تمرین فنی باشد، بلکه باید با یک چهارچوب اخلاقی مستحکم همراه گردد.

۹. بازسازی کدهای شکسته و صفحات خراب قدیمی

بسیاری از اوقات، داده‌کاوی ما را به صفحاتی می‌رساند که اگرچه متنشان موجود است، اما به دلیل نبود فایل‌های CSS یا جاوا اسکریپت، کاملاً بهم ریخته و غیرقابل خواندن هستند. در اینجا هنر «بازسازی دیجیتال» وارد عمل می‌شود. گیک‌های آرشیو با استفاده از ابزارهایی مثل «Wayback Machine Downloader» کل ساختار ذخیره شده یک سایت را دانلود کرده و سپس با استفاده از اسکریپت‌های اصلاح آدرس (URL Rewriting)، لینک‌های داخلی را به هم متصل می‌کنند. گاهی اوقات لازم است کدهای CSS عمومی آن دوران را جایگزین کرد تا صفحه دوباره شکل و شمایل اولیه خود را پیدا کند. این کار شبیه به مرمت یک بنای تاریخی است، اما در فضای کدهای HTML.

در سطوح پیشرفته‌تر، برای اجرای اپلیکیشن‌های وب قدیمی یا بازی‌های تحت وب که از کار افتاده‌اند، از «امولاتورها» (Emulators) در داخل مرورگر استفاده می‌شود. پروژه‌هایی مثل «Ruffle» اجازه می‌دهند فایل‌های فلش (Flash) که بخش بزرگی از وب دهه ۲۰۰۰ را تشکیل می‌دادند، دوباره در مرورگرهای مدرن اجرا شوند. این یعنی شما نه تنها می‌توانید متن یک سایت قدیمی را بخوانید، بلکه می‌توانید با عناصر تعاملی آن نیز کار کنید. بازسازی کدهای شکسته به ما اجازه می‌دهد تجربه کاربری (UX) آن دوران را درک کنیم و بفهمیم که محدودیت‌های تکنولوژیک چگونه بر نحوه ارائه اطلاعات و محتوا تاثیر می‌گذاشتند. این بخش از داده‌کاوی، پلی است بین گذشته آنالوگ‌مانند وب و حال دیجیتال و هوشمند ما.

۱۰. نقش بلاک‌چین در ایجاد آرشیوهای غیرقابل حذف

با توجه به آسیب‌پذیری آرشیوهای متمرکز (مثل وب آرشیو که ممکن است با فشارهای دولتی یا حملات هکری بخشی از داده‌هایش را از دست بدهد)، نسل جدیدی از آرشیوهای وب بر پایه بلاک‌چین و سیستم‌های فایل غیرمتمرکز (IPFS) در حال شکل‌گیری است. پروژه‌هایی مانند «Arweave» به کاربران اجازه می‌دهند صفحات وب را برای همیشه و با پرداخت یکباره هزینه، روی یک شبکه توزیع شده ذخیره کنند. داده‌کاوی در این نوع آرشیوها کاملاً متفاوت است؛ زیرا داده‌ها تکه‌تکه شده و در سراسر جهان پخش هستند و هیچ نهادی نمی‌تواند آن‌ها را حذف یا سانسور کند. این «وب ابدی» (Permaweb) راهکار نهایی برای حفظ مطالب فراموش شده وب است.

از دید یک داده‌کاو، استخراج محتوا از بلاک‌چین نیازمند کار با «هش‌ها» (Hashes) و کلیدهای رمزنگاری است. اما مزیت بزرگ این است که صحت داده‌ها (Data Integrity) ۱۰۰ درصد تضمین شده است. شما مطمئن هستید که مطلبی که در Arweave پیدا کرده‌اید، دقیقاً همان چیزی است که سال‌ها پیش ثبت شده و هیچ تغییری نکرده است. این ویژگی برای ثبت اسناد تاریخی، قراردادها و بیانیه‌های رسمی بسیار حیاتی است. در آینده، داده‌کاوی در آرشیوهای وب احتمالاً به سمت جستجو در این شبکه‌های غیرمتمرکز حرکت خواهد کرد و ما شاهد ظهور موتورهای جستجویی خواهیم بود که به جای وب زنده، فقط «تاریخچه تغییرناپذیر وب» را ایندکس می‌کنند تا حقیقت هرگز گم نشود.

۱۱. سناریوهای کاربردی برای روزنامه‌نگاران تحقیقی

روزنامه‌نگاری تحقیقی بدون داده‌کاوی در آرشیوهای وب، در دنیای امروز ناقص است. یکی از سناریوهای رایج، بررسی تغییرات در بیوگرافی سیاستمداران یا بخش «درباره ما» در سایت‌های شرکتی پس از بروز یک رسوایی است. روزنامه‌نگاران با استفاده از ابزارهای آرشیوی، می‌توانند ثابت کنند که فلان شرکت چه زمانی ادعاهای کذب خود را از سایتش حذف کرده است. سناریوی دیگر، ردیابی منابع مالی از طریق پیدا کردن شماره حساب‌ها یا آدرس‌های کیف پول دیجیتال قدیمی است که در نسخه‌های اولیه سایت‌ها موجود بوده اما اکنون برای پنهان‌کاری پاک شده‌اند. این‌ها سرنخ‌هایی هستند که مجرمان دیجیتال معمولاً فراموش می‌کنند از تمام آرشیوها پاک کنند.

همچنین، داده‌کاوی در آرشیو وب برای بررسی «وعده‌های انتخاباتی» یا «گزارش‌های عملکرد» قدیمی بسیار کارآمد است. با مقایسه داده‌های آماری که یک سازمان در سال‌های مختلف ارائه داده (و احتمالاً برای بهبود وجهه خود در سال‌های بعد دستکاری کرده است)، می‌توان به تناقض‌های بزرگی پی برد. روزنامه‌نگاران با این دانش می‌توانند به عنوان «حافظه زنده جامعه» عمل کنند و اجازه ندهند اطلاعات غلط جایگزین حقایق تاریخی شود. آرشیو وب در واقع یک دستگاه دروغ‌سنج بزرگ است که در اختیار هر کسی قرار دارد که بداند چگونه باید در آن جستجو کند. این قدرت، مسئولیت بزرگی را هم برای روزنامه‌نگاران به همراه می‌آورد تا از داده‌ها به درستی و در جهت روشنگری استفاده کنند.

۱۲. راهنمای گام‌به‌گام برای نجات یک وب‌سایت در حال مرگ

اگر متوجه شدید وب‌سایت مفیدی در حال نابودی است (مثلاً دامنه‌اش در حال انقضا است یا صاحبش اعلام کرده آن را می‌بندد)، شما به عنوان یک داده‌کاو می‌توانید وارد عمل شوید. گام اول، ثبت دستی تمام صفحات کلیدی در Archive.org و Archive.today است تا مطمئن شوید یک نسخه امن وجود دارد. گام دوم، استفاده از ابزارهایی مثل «HTTrack» برای دانلود کامل سایت (Mirroring) روی هارد شخصی است. گام سوم، استخراج دیتابیس محتواست. اگر سایت هنوز بالا است، می‌توانید با اسکریپت‌های پایتون و کتابخانه‌هایی مثل «BeautifulSoup»، تمام مطالب را به صورت ساختاریافته در یک فایل Excel یا CSV ذخیره کنید تا در آینده قابل جستجو باشد.

گام نهایی و مهم‌تر، انتشار این آرشیو در بسترهای عمومی است. شما می‌توانید داده‌های استخراج شده را در GitHub یا پلتفرم‌های اشتراک داده مثل Kaggle قرار دهید تا محققان دیگر هم به آن دسترسی داشته باشند. نجات یک وب‌سایت، فقط ذخیره کردن کدها نیست، بلکه حفظ دانشی است که ممکن است برای نسل‌های بعد ارزشمند باشد. با این کار، شما از یک مصرف‌کننده منفعل وب به یک «محافظ محتوا» تبدیل می‌شوید. در دنیایی که لینک‌ها به سرعت می‌میرند (Link Rot)، این تلاش‌های فردی و جمعی برای داده‌کاوی و آرشیو کردن، تنها راهی است که می‌توانیم مطمئن شویم میراث دیجیتال ما برای آیندگان باقی خواهد ماند. وب را باید قبل از اینکه بمیرد، نجات داد.

سوالات متداول

دکتر علیرضا مجیدی

پزشک، نویسنده و بنیان‌گذار وبلاگ «یک پزشک»

دکتر علیرضا مجیدی، نویسنده و بنیان‌گذار وبلاگ «یک پزشک».
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!

دربارهٔ علیرضا مجیدی در یک پزشک