ArchiveBox 是开源自托管网页归档工具，从书签/历史/Pocket/Pinboard/RSS 导入 URL，自动保存 HTML、JS、PDF、媒体到本地。Python + Django 全栈，Docker 一键部署，支持 WARC 格式，28k Stars 成熟稳定，MIT 协议完全免费。
🎤 引言
2024 年 Reddit 把 Pocket 应用直接关停，无数用户的收藏夹一夜蒸发；某个论坛里收藏的「深度好文」作者随手删稿；同事分享的行业报告链接半年后 404；浏览器历史记录清空后想找回三年前那个资源页面——
这就是所谓的 link rot（链接腐烂）——互联网的「集体失忆症」。
GitHub 28k Stars 的 ArchiveBox/ArchiveBox 是这个问题的标准答案——开源自托管网页归档工具，从浏览器书签、Pocket、Pinboard、RSS、历史记录导入 URL，完整保存 HTML / JS / CSS / PDF / 媒体到本地，附带搜索索引和全文检索。
截至 2026-07-26，项目已稳定维护 9 年（2017-05 首发），1.6k Forks + 169 open issues，是 self-hosted 圈里公认的「网页时光机」标杆。
⭐ 核心功能
1. 多源导入
ArchiveBox 不只是「粘贴 URL 一键归档」，它支持从各种常用服务导入待归档链接：
- 浏览器书签：Chrome / Firefox / Safari / Edge 一键导出 HTML 导入
- Pocket / Pinboard / Instapaper：导出 CSV / JSON 批量导入
- RSS / Atom Feed：订阅源自动拉取新条目
- 浏览器历史：Chrome history.sqlite / Firefox places.sqlite 直接导入
- txt 链接列表：一行一个 URL 即可
- 其他 ArchiveBox 实例：跨实例同步归档
实测从 Chrome 导出 800 条书签 → ArchiveBox 入队 → 后台依次抓取 → 全部跑完大约 6-8 小时（取决于网速和并发数）。
2. 多 extractor 多格式归档
每个 URL 不只保存 HTML 页面，而是 同时调用多个 extractor 把不同形态都拉一份：
wget— 完整站点镜像（含 HTML / CSS / JS / 图片）SingleFile— 单文件 HTML（所有资源打包到一个 .html）headless Chrome— 渲染后的最终页面（处理 JS 动态加载）readability— 提取正文（去除广告 / 导航 / 干扰元素）media— 单独下载视频 / 音频（依赖 yt-dlp）pdf— 用 Chromium 渲染 PDF 版screenshot— 页面截图（PNG）dom— 原始 DOM 序列化title/favicon/headers— 元数据
一个页面归档下来可能产生 10+ 个文件，完整覆盖「未来想重新访问」的所有可能。
3. WARC 标准格式
ArchiveBox 用 WARC（Web ARChive）格式保存原始 HTTP 响应，符合互联网档案馆（Internet Archive）和 Wayback Machine 的行业标准。
好处是：
- 归档数据可移植——导入 Internet Archive 或其他 WARC 工具都能用
- 包含完整的 HTTP headers（cookies、redirect chain 都能复现）
- 法律 / 学术 / 数字保存场景的合规格式
如果你的归档有一天需要举证（比如诉讼取证、学术引用），WARC 是最被认可的格式。
4. 内置 Django Web UI + 全文搜索
跑 archivebox server 0.0.0.0:8000 启动 Web 后台：
- 搜索框：SQLite FTS5 全文搜索，可搜标题 / 正文 / URL
- 时间线视图：按归档日期浏览
- 标签 / 收藏夹：手动给重要页面打标签
- 截图墙：可视化浏览归档页面缩略图
- 导出 / 分享：单页面分享链接，可发给朋友或嵌入博客
UI 朴素但功能完整，2025 后的新版用 Django + HTMX 写了现代化的实时刷新。
5. 增量抓取 + 重试机制
ArchiveBox 跑起来后是「常驻 worker」模式：
- 新 URL 入队自动后台抓取（可配置并发数）
- 抓取失败的 URL 自动重试（指数退避）
- 已归档的页面自动跳过（按 URL + content hash 去重）
- 支持「定期重新归档」——跟踪页面变化
对 RSS 订阅场景特别友好：把 feed URL 加进去，ArchiveBox 会按 cron 节奏抓取新条目，零人工干预。
📥 安装与使用
环境要求
- Docker + Docker Compose（推荐）
- 或 Python 3.11+ / Node.js 18+（自行部署）
- SQLite（默认）/ Postgres（可选）
- Chromium / Chrome / Firefox（用于 headless 渲染）
- yt-dlp（用于视频归档）
Docker Compose 一键部署（推荐）
git clone https://github.com/ArchiveBox/ArchiveBox.git
cd ArchiveBox
docker compose up -d默认监听 0.0.0.0:8000，首次访问 http://your-ip:8000 进入管理后台。
添加 URL 归档
# 单条 URL
docker compose run archivebox add 'https://example.com'
# 批量从 txt 文件
docker compose run archivebox add < urls.txt
# 从 Pocket 导出
docker compose run archivebox add < pocket-export.csv启动 Web UI
docker compose up浏览器打开 http://your-ip:8000，搜索、浏览、导出归档。
配置文件
# ArchiveBox.conf.yml
TIMEOUT: 60
CONCURRENCY: 8
CHECK_SSL_VALIDITY: true
SAVE_WARC: true
SAVE_PDF: true
SAVE_SCREENSHOT: true
SAVE_MEDIA: true官方文档：https://github.com/ArchiveBox/ArchiveBox
项目仓库：GitHub - ArchiveBox/ArchiveBox
🎯 适用场景
- 链接收藏党 / 信息囤积者：Pocket 用户、Notion Web Clipper 重度用户，担心哪天服务关闭。
- 学术研究者 / 调查记者：引用网页材料做研究 / 报道，需要归档「证据」级别的网页快照。
- 企业知识管理：把团队共享的行业资讯、内部文档链接定期归档，防止 404。
- 个人 / 家庭数字遗产：把家庭照片墙、亲友博客、老网站归档作为「数字记忆」保存。
- RSS 重度用户：用 RSS 订阅了大量博客 / 新闻源，ArchiveBox 自动后台归档每条新文章。
- 隐私敏感者：不愿把浏览历史 / 收藏夹交给第三方云服务，全部本地存储。
不太适合：纯实时性新闻（归档有延迟）；超大规模网站（百万级 URL 单实例会卡，需要分布式）；需要频繁归档视频流媒体（版权风险 + 存储爆炸）。
🔍 对比 / 替代方案
| 工具 | 部署方式 | 输入源 | 归档完整度 | 搜索 | WARC | 维护活跃度 | 协议 |
|---|---|---|---|---|---|---|---|
| ArchiveBox | Docker / Python | 9+ 源 | ⭐⭐⭐⭐⭐ | ✅ FTS5 | ✅ | ⭐⭐⭐⭐⭐（9年） | MIT |
| Wayback Machine | 云端（IA） | URL / 爬虫 | ⭐⭐⭐⭐⭐ | ⚠️ 外部 | ✅ | ⭐⭐⭐⭐⭐ | AGPL |
| Perma.cc | 云端（学术） | URL | ⭐⭐⭐ | ⚠️ 外部 | ✅ | ⭐⭐⭐⭐ | AGPL |
| Wallabag | Docker | RSS / 手动 | ⭐⭐⭐ | ✅ | ❌ | ⭐⭐⭐⭐ | MIT |
| Linkwarden | Docker | 手动 / 浏览器扩展 | ⭐⭐ | ✅ | ❌ | ⭐⭐⭐⭐ | AGPL |
| Shiori | Docker | 手动 / 浏览器扩展 | ⭐⭐ | ✅ | ❌ | ⭐⭐⭐ | MIT |
ArchiveBox 的甜蜜点非常清晰：多 extractor 全格式归档 + WARC 标准 + 自托管可控 + 9 年成熟稳定。Wayback Machine 是行业天花板但无法自托管；Perma.cc 偏学术圈准入门槛高；Wallabag 是「类 Pocket」应用而非「网页归档」工具；Linkwarden / Shiori 主要做书签管理，归档深度不及 ArchiveBox。
横向对比 Wallabag：ArchiveBox 的核心是「完整保存网页到本地」，Wallabag 是「简化版只读视图」，对真正想 100% 还原原页面的需求 ArchiveBox 没对手。
诚实缺点：GitHub 显示 169 open issues 比同类项目高一截，活跃维护但 bug 修复节奏不算快；Docker 镜像含 Chromium / FFmpeg / yt-dlp 等大块依赖，初次拉镜像 1GB+ 起步；存储需求爆炸（每页平均 5-50MB，10 万 URL 轻松破 TB），需要定期清理或迁移到大容量盘。
⚠️ 注意事项
- 存储爆炸预警：每归档一个页面平均 5-50MB（含 PDF + 截图 + 视频），10 万 URL 轻松破 1TB。强烈建议：把归档目录挂载到大容量磁盘，定期归档冷数据到对象存储。
- 版权合规：归档他人网站涉及版权问题，ArchiveBox 不提供任何法律担保。仅用于：个人备份、研究存档、合理使用范围内。商业平台归档务必确认原作者授权。
- Docker 镜像体积：首次拉镜像约 1.5GB（含 Chromium / FFmpeg / yt-dlp / wget 等），国内网络拉镜像可能需要配置镜像加速器。
- 并发数配置：默认
CONCURRENCY=8对家庭宽带可能压力太大，下载时影响正常上网。建议根据上行带宽调到 2-4。 - WARC 格式归档的文件 体积巨大（一个完整 WARC 可能 10-100MB），如果存储紧张可以在配置里关掉：
SAVE_WARC: false，但失去「证据级」归档能力。 - Chromium 渲染：headless Chrome 是吃内存大户，每并发约 200-300MB。1GB 内存服务器建议
CONCURRENCY=2，4GB+ 才能跑到 8 并发。 - 定期重归档：部分网页（如新闻）会持续更新，ArchiveBox 的「定期重抓」功能会消耗大量带宽和存储。建议对重要订阅源单独开启。
- 登录 / Cookie 站点：ArchiveBox 默认无 cookie 抓取，登录后的页面（推特、知乎、小红书）抓不全。需要手动配置 cookie 文件（参照 官方文档）。
✅ 总结
ArchiveBox 是 self-hosted 网页归档赛道里九年磨一剑的标杆项目。28k Stars、1.6k Forks、持续维护至今——这三个数字组合在一起的「网页时光机」项目在 FOSS 圈几乎找不到对手。
推荐指数 ⭐⭐⭐⭐⭐（5/5）：多源导入 + 多 extractor 全格式归档 + WARC 标准 + Django Web UI + 9 年稳定维护，五件套组合把「网页归档」这件事做到极致。适合需要长期保存网页内容的个人 / 团队 / 学术机构。
适合：链接收藏党、学术研究者 / 调查记者、企业知识管理、个人数字遗产保存、RSS 重度用户、隐私敏感者。
不太适合：纯实时性新闻需求、超大规模网站（百万级 URL）、频繁归档视频流媒体。
如果你曾经为某个 404 的链接感到惋惜，或者担心 Pocket 关闭事件重演——花 30 分钟 docker compose up -d，把浏览器书签导出导入 ArchiveBox，未来任何链接 404 都能从你的本地归档里找回。这是数字时代每个重度网民都该有的「保险」。
官方文档：https://github.com/ArchiveBox/ArchiveBox
GitHub：https://github.com/ArchiveBox/ArchiveBox