Internet Archive è una biblioteca digitale non profit che ha lo scopo dichiarato di consentire un "accesso universale alla conoscenza". Essa offre uno spazio digitale permanente per l'accesso a vari tipi di risorse: per esempio, siti web, audio, video e libri. Internet Archive fu fondata da Brewster Kahle nel 1996 e fa parte della IIPC (International Internet Preservation Consortium).Members (International Internet Preservation Consortium) In aggiunta alla sua funzione primaria di archiviazione, Internet Archive è un'organizzazione che si batte per un'Internet libera e aperta ed è un'associazione non profit riconosciuta ufficialmente negli Stati Uniti d'America.
Gli uffici amministrativi hanno sede a San Francisco mentre i centri elaborazione dati sono collocati a San Francisco, a Redwood City e a Mountain View, in California. La più massiccia raccolta digitale della biblioteca è l'archivio web, una sorta di collezione di "fermi immagine" del World Wide Web catalogati secondo la data di acquisizione. Per assicurare la stabilità e la sicurezza dei dati archiviati, l'intera collezione ha un mirror nei server della Bibliotheca Alexandrina ad Alessandria d'Egitto. L'archivio permette a chiunque abbia un account gratuito il caricamento e lo scaricamento di materiale digitale da e verso i suoi server a costo zero.
Esso inoltre permette l'accesso a uno dei più vasti progetti di archiviazione digitale di libri esistente, è parte dell'American Library Association ed è ufficialmente riconosciuta dallo stato della California come biblioteca pubblica."Internet Archive officially a library" , 2 maggio 2007. La società conta 200 dipendenti, molti dei quali impegnati nella scansione di volumi cartacei presso i centri specializzati. L'ufficio principale di San Francisco conta trenta dipendenti. Internet Archive ha un budget annuale di circa 10 milioni di dollari, derivanti in massima parte da una varietà di fonti: i profitti dei servizi riguardanti il web crawling, collaborazioni varie, sovvenzioni, donazioni, e la Kahle-Austin Foundation.
Secondo il sito web di Internet Archive "molte società danno importanza alla conservazione di manufatti riguardanti la loro eredità culturale. Senza questi manufatti la civiltà non ha memoria e non ha modo di imparare dai propri successi e dai propri fallimenti. La nostra cultura ora produce sempre più prodotti in forma digitale. La missione di Internet Archive è di aiutare a conservare questi manufatti e creare una biblioteca digitale su Internet per ricercatori, storici e studiosi".
Storia L'idea dell'internet Archive nacque al MIT negli anni Ottanta. Kahle ne discusse con Marvin Minsky, Richard Feynman e Stephen Wolfram. Danny Hills ideò un supercomputer che utilizzava il calcolo parallelo, chiamato Connection Machine. Nel 1983 Kahle fu assunto nell'azienda di Hills, la Thinking Machines, che si proponeva di costruire computer in grado di ricercare ogni genere di informazione e di rispondere a domande in linguaggio naturale.
Brewster Kahle fondò Internet Archive nel 1996, nello stesso periodo in cui fondò la società Alexa Internet, compagnia impegnata in servizi di web crawling. Internet Archive ha cominciato ad archiviare il World Wide Web nel 1996, ma la collezione non fu accessibile fino al 2001, quando fu sviluppata la Wayback Machine. Nel 1999, Internet Archive si espanse aggiungendo altre raccolte tra cui il Prelinger Archive. L'Internet Archive comprende attualmente, tra l'altro, testi, audio, immagini in movimento e software. Ospita una serie di altri progetti tra cui un archivio di immagini della NASA, il servizio di indicizzazione Archive-It e Open Library, un catalogo di volumi editabile tramite un software simile a un wiki.
Il 25 marzo 2020, a seguito della pandemia di COVID-19, l'internet Archive ha lanciato la National Emergency Library, un'iniziativa che consente l'accesso gratuito in modalità testo integrale all'intera collezione digitale che conta più di 1 milione di titoli a catalogo.
Nel marzo 2023 un giudice statunitense di primo grado ha dato ragione a un gruppo di editori che aveva citato l'Internet Archive per violazione del diritto d'autore, sostenendo che la messa a disposizione del pubblico delle copie dei libri digitalizzati non rientrasse nel fair use. L'internet archive gestisce anche un servizio di Controlled Digital Library che prevede la messa in prestito di un numero di copie digitali di un titolo esattamente pari al numero delle copie possedute regolarmente pagate dalle biblioteche partner del progetto.
Il 9 ottobre 2024, il sito ha subìto un attacco di DDoS rendendo il sito web e i servizi annessi non disponibili. Il team di Internet Archive ha dichiarato, che oltre all'attacco DDoS, c'è stata anche una fuga di dati perpetrata da parte del gruppo di hacktivism SN_BlackMeta, che ha portato alla compromissione di 31 milioni di account registrati nel sito, tuttavia il sito sarebbe tornato in servizio dopo qualche settimana.
Al 2024 l'Internet Archive è il sito più utilizzato da anni per la conservazione di pagine web nel lungo termine. Esso comprende 916 miliardi di pagine web, 44 milioni tra libri e testi e 15 milioni di registrazioni audio.
Progetti Wayback Machine
Wayback Machine è l'interfaccia web utilizzata da Internet Archive per l'estrapolazione dagli archivi dei dati riguardanti siti web. I siti archiviati rappresentano una sorta di "fermi immagine" raccolti al momento dell'acquisizione delle pagine tramite il software di indicizzazione di Internet Archive. Il nome "Wayback Machine" deriva dal termine "WABAC Machine" utilizzato in una delle storie della serie animata Rocky e Bullwinkle. Il servizio, grazie allo spider di Alexa, memorizza nel tempo i cambiamenti e le evoluzioni dei diversi siti web. Per i siti minori non ha un frequente caching, ovvero le pagine vengono memorizzate solo raramente.
Si rivela un servizio utile nei seguenti casi: studio dell'evoluzione dei siti Web; recupero di pagine e siti andati persi; ricerca di prove una volta pubblicate e quindi cancellate.
Il servizio permette di accedere a versioni archiviate di pagine web del passato, una sorta di "archivio tridimensionale" secondo le parole di Internet Archive. Milioni di siti web con i rispettivi dati (immagini, testo, documenti collegati, ecc.) sono archiviati in un gigantesco database. Non tutti i siti web sono disponibili a causa della scelta di molti proprietari di siti di escludere i loro siti dall'indicizzazione. Come per tutti i siti basati su dati provenienti da web crawler, inoltre, mancano vaste aree del web per una serie di ragioni tecniche. Diverse problematiche legali riguardanti l'archiviazione e la copertura o meno di siti sono state infine riscontrate negli anni, sebbene queste non siano il risultato di azioni deliberate. Thelwall, M. & Vaughan, L. (2004). A fair history of the Web? Examining country balance in the Internet Archive, Library & Information Science Research, 26(2), pp. 162-176.
L'uso del termine "Wayback Machine" nel contesto di Internet Archive è diventato così comune che "Wayback Machine" e "Internet Archive" sono divenuti quasi sinonimi nella cultura di massa; per esempio, nella serie televisiva Law & Order: Criminal Intent (nell'episodio "Legacy", andato in onda per la prima volta il 3 agosto 2008, intitolato Amore virtuale nella controparte in italiano), uno dei protagonisti dell'episodio utilizza la "Wayback Machine" per scovare la copia archiviata di un sito web. Le "istantanee" dei siti archiviate durante i vari passaggi del crawler diventano accessibili pubblicamente di solito dopo 6-18 mesi.
Esempi di siti web archiviati da Internet Archive e visualizzati attraverso la Wayback Machine: Internet ArchiveInternet Archive (archiviazione ricorsivaarchiviazione ricorsiva) Wikipedia Google
Internet Archive utilizza il protocollo Robots Exclusion Standard (attraverso il file robots.txt) per l'esclusione volontaria dei siti dal proprio database. Internet Archive rispetta le direttive del file robots.txt facendo in modo che i suoi bot non indicizzino le pagine. Per questo motivo, Internet Archive ha reso indisponibili un certo numero di siti web che sono del tutto inaccessibili attraverso la Wayback Machine. In caso di siti bloccati, viene archiviato il solo file robots.txt.
L'Internet Archive applica le regole robots.txt con effetto retroattivo: se un sito blocca lo spider di Internet Archive attraverso il file robots.txt, allora diventano non disponibili tutte le pagine già archiviate dal dominio. Inoltre, lo stesso comportamento è riservato a tutti i siti web che ne fanno esplicita richiesta: per questo, ogni volta che il proprietario di un sito ne chiede l'esclusione dall'indice, si acconsente alla richiestaSome sites are not available because of Robots.txt or other exclusions , non essendo "Internet Archive [...] interessato a preservare o offrire l'accesso a siti Web o ad altri documenti su Internet di proprietà di persone che non vogliono i loro materiali nella nostra collezione".How can I remove my site's pages from the Wayback Machine?
Per esempio, l'indirizzo https://web.archive.org/*/https://www.ubuntu-it.org, mostra le copie consultabili della pagina https://www.ubuntu-it.org, suddivise in base alla data del salvataggio su Internet Archive.
Nell’ottobre 2025 il sistema ha raggiunto il traguardo della sua trilionesima pagina web indicizzata, pari a circa mille miliardi di scansioni online. Tale cifra include anche copie multiple delle stesse pagine o documenti, come testi o file PDF liberamente accessibili su Internet, archiviati più volte nel corso degli anni.
Open Library Open Library, fra i cui fondatori si annovera anche l'attivista digitale Aaron Swartz, è una biblioteca digitale nata con lo scopo di raccogliere schede per ogni libro mai pubblicato e di catalogarle in un unico database; una sorta di versione open source di WorldCat, nata in contrapposizione al progetto di digitalizzazione Google Libri. Il progetto nasce nel 2007 e include alcuni milioni di schede catalografiche e libri digitalizzati nel pubblico dominio interamente accessibili e scaricabili. Open Library è un progetto che si basa su software libero e open source, il codice sorgente è interamente accessibile dal sito di riferimento. A partire da giugno 2010 Open Library offre anche un servizio di prestito di ebook svolto in collaborazione col distributore di contenuti digitali statunitense OverDrive e con biblioteche americane. Ad oggi il sito risulta inaccessibile, probabilmente a causa delle controversie legali da parte degli editori che hanno intentato causa.
Archive-It