Pywb WARC 存档回放检查

问题

当你手里只有 WARC 存档，却准备做取证调查、内容迁移或站点行为变更时，最大的风险不是“没有数据”，而是“读到的历史页面和当年实际访问不一致”。WARC 里可能包含多次抓取、重定向链、相对资源、前端脚本和广告/追踪器等第三方请求；若直接按字符串搜索或简单打开记录，很容易遗漏状态码、重写规则、资源加载失败或时间线差异。你需要一种可回放的校验方式，先确认捕获是否完整、页面在当时的上下文中如何呈现，再进入调查或迁移决策。

技能如何工作

这个技能围绕 pywb 的回放能力展开：把 WARC 及其相关索引作为输入，在本地生成可访问的历史回放视图，让你按记录逐条检查。

• 回放历史页面：将 WARC 中的响应还原为接近当时访问的页面，用于确认 DOM、文本、图片/样式/脚本引用是否存在。
• 校验捕获质量：查看某条记录的响应状态、重定向关系、头部信息与资源引用，定位空响应、404/5xx、资源缺失等异常。
• 理解站点行为：对比不同抓取时间点的页面变化，观察前端逻辑、相对路径解析与外部依赖对呈现的影响。
• 迁移前预检：在真正迁移或重建站点前，先从存档侧确认“要保留什么、什么本来就坏掉”，避免把错误状态当作事实。

适用边界与注意点

• 回放目标是“检查与验证”，不等同于完整取证采信；关键证据仍需结合采集链路、工具版本与校验值等信息。
• 存档中可能包含跟踪脚本、恶意样本或敏感内容，建议在隔离环境或受控网络中打开，避免触发外部请求。
• 页面呈现仍可能受浏览器、系统字体、Cookie、代理、HTTPS 证书以及现代浏览器安全策略影响；对依赖旧版插件或特定环境的页面，展示可能不完整。
• WARC 的可用性取决于原始抓取是否包含必要的索引与资源记录；缺失记录会导致回放不完整。