MNBVC-Wiki

本页面只读。您可以查看源文件，但不能更改它。如果您觉得这是系统错误，请联系管理员。
====== Internet Archive（https://archive.org/）专用页面 ======
以下简称为IA

===== 如何使用IA官方命令行工具进行文件下载 =====


==== 安装ia命令行工具（pythone3以上）====
这个pip包中包含了python库和命令行工具ia.exe
  pip install internetarchive

==== 使用IA命令行工具以网址关键字进行搜索和下载 ====
以STWP网站 的wiki存档项目为例，该网站发起了一个[[https://blog.save-web.org/blog/2023/04/16/%e5%a6%82%e4%bd%95%e5%ad%98%e6%a1%a3-dokuwiki-%e7%ab%99%e7%82%b9%ef%bc%88%e7%ac%ac%e4%b8%80%e5%b1%8a%e5%ad%98%e6%a1%a3%e9%a9%ac%e6%8b%89%e6%9d%be%e6%b4%bb%e5%8a%a8%ef%bc%89/ | 将数千个wiki网站存档到IA的项目]]，去该项目的[[https://docs.google.com/spreadsheets/d/1iDlrcKR0rziuxFM0P7cK4Ct6-WkGytqzamh3LTqNyUE/edit | 列表页]]挑一个已经归档完成的[[http://fredblue.lautre.net/wiki/doku.php | 网站]]
  ia search "fredblue.lautre.net"
将返回搜索到的项目，例如：{"identifier": "wiki-fredblue.lautre.net_wiki-20230506"}
使用search条件进行下载：
  ia download --search "fredblue.lautre.net"
或者使用identifier进行下载
  ia download wiki-fredblue.lautre.net_wiki-20230506
将在当前路径下生成一个新的identifier名字的文件夹，并开始下载

==== 批量下载collection ==== 
ia上还有很多其它组织/个人上传的文件，可以collection的形式形成组织，这里面可能包含很多items，每个item又可以包含很多个文件。例如ChinaXIV Mirror Project，要对其中的文件进行下载，首先去ia网站搜索该collection，可以把搜索条件限制为collection，搜到之后，进入collection首页，点击[[https://archive.org/details/chinaxivmirror?tab=about | About]]，在此页面记录其Identifier的值（chinaxivmirror）
获取collection中全部的items，输出到itemlist.txt：
  ia search collection:chinaxivmirror --parameters rows:10 --itemlist  >itemlist.txt
只获取前100000条记录（注意rows必填，否则报错）：
  ia search collection:chinaxivmirror --parameters rows:100000
获取到itemlist后，就可以下载：
  ia download --itemlist itemlist.txt

===== 下载Wayback Machine网站快照 =====
当一个用户通过某些IA的api，例如Save Page Now，将网站上传到IA之后，IA会有一个自动化流程定期整理所有用户上传数据，并形成一个web archive数据集（warc），这个格式和common crawl的格式相同。这个数据集包含了特定时间点之间**所有用户**通过Save Page Now上传的网页，因此在IA上对应的collection标记为Restricted，不能直接下载。

IA对特定网站的快照查看，通过wayback machine进行（https://web.archive.org/），该网站有一个类似common crawl cdx索引的索引服务器：https://github.com/internetarchive/wayback/tree/master/wayback-cdx-server，可以对特定网站中的网页生成下载链接。

所以，从IA下载特定网站的操作是：
  - 获取网站url，例如“1700多个中文独立博客”（https://blog.save-web.org/blog/2022/07/19/%e9%9c%87%e6%83%8a%ef%bc%8cstwp-%e7%ab%9f%e7%84%b6%e7%bb%99-1700-%e5%a4%9a%e4%b8%aa%e4%b8%ad%e6%96%87%e7%8b%ac%e7%ab%8b%e5%8d%9a%e5%ae%a2%e5%81%9a%e4%ba%86%e6%af%8f%e6%97%a5%e5%a4%87%e4%bb%bd/），要先去上述网页点击rss list（https://github.com/saveweb/rss-list/）点击Release，下载Blog.opml.xml，从xml中提取出特定网站的 url，例如androidperformance.com
  - 验证（可选），使用androidperformance.com关键字去wayback machine网站查看网页快照，直达链接：https://web.archive.org/web/20240000000000*/androidperformance.com
  - 使用这个关键字去way back machine的cdx api生成文件列表并下载。（这一步需要咨询一下负责common crawl数据的大佬，看他 能否改一下代码测试一下）

===== 使用python操作IA =====
pip install internetarchive
因为是pip安装的包，可以直接在pythong中使用：
  import internetarchive
  search = internetarchive.search_items('collection:chinaxivmirror')
  for result in search:
      print(result['identifier'])

一些有用的python代码@n_g @等战：
{{ ::ia_scripts.zip |}}
该压缩包中包含：
  - 1_get_ia_collection_items.py 将一个指定collection中所有的item名字导出
  - 2_get_ia_items_metadata.py 获取上一步导出的所有item的元数据（json）
  - 3_get_warc_url_from_metadata.py 从上一步的元数据中搜索warc/warc.gz文件，并获取该文件的URL（可直接导入下载工具批量多线程下载）
  - 5_warc_extract.py 从一个warc/warc.gz文件中提取特定mime类型的数据（'application/pdf', 'text/html', 'text/plain', 'text/markdown'）
{{ ::3_get_warc_url_from_metadata_v2.zip |}}
step3的v2版本，bug修复：
  - 由于数值以字符串形式存储，导致对于数值的排序不正确
  - 输入文件名优化为脚本当前文件夹
  - 对可下载文件的识别更准确，排除了.cdx.gz等无用的文件类型，同时新增rar、zip、7z等格式的收集。
  - 新增从文件名识别域名的功能，能够识别到的域名放在download_url_domain.txt，不能识别的放在download_url_nodomain.txt，这两个文件加起来等于v1版本的输出
  - 新增按域名对warc大小分类汇总，存放在download_url_summary.txt

{{ ::6_get_warc_backup_url.zip |}} IA对于任意一个item，均有主用、备用两个URL。使用脚本3从脚本2生成下载URL时，默认只会返回下载地址1（D1），如果D1出现问题，可以尝试从备用下载地址（D2）下载，这个脚本的作用是输入任何一个下载URL，返回另外一个。

已知问题：
5_warc_extract.py现在使用warcio，在处理某些版本的warc时有问题，建议更改为fastwarc（C++不支持zstd warc）或IA官方的warc工具（glang）

===== 其它IA命令 =====
查看某个item的metadata，其中d1、d2对应该item的2个存储服务器，有时候主存储限速时，可尝试备用存储下载
  https://archive.org//metadata/{identifier}

===== 遗留问题 ===== 
  - 发现IA上还有类型为[[https://archive.org/details/tianya.cn?tab=collection | Access-restricted-item的文件]]，图标是一把锁，这些文件没找到下载办法
  - 据说有某些文件需登陆后下载，但IA命令行没有找到登录设置。
  - 有些“借阅”类型的文件（通常是电子书），可以在线阅读或下载后一定时间内可阅读，这些文件均被DRM加密，不一定能够破解。参考：[[https://github.com/noDRM/DeDRM_tools | dedrm]]

===== 参考文档 =====
[[https://archive.org/developers/internetarchive/cli.html | cli]]
[[https://archive.org/developers/tutorial-find-identifier-item.html#:~:text=You%E2%80%99ll%20use%20this%20value%20to%20fetch%20all%20items,In%20this%20example%2C%20the%20value%20is%20us_senate.%20 | tutorial-find-identifier-item]]

===== IA搜索关键字记录 =====
tianya.cn：有越60G的数据但全部都标记为不允许下载。