ArchiveBox: Webinhalte als HTML, PDF, WARC und SQLite selbst sichern
🗃 Selbstgehostete Open-Source-Webarchivierung. Nimmt URLs/Browserverlauf/Lesezeichen/Pocket/Pinnwand/etc. auf, speichert HTML, JS, PDFs, Medien und mehr...
Auf einen Blick
- Was ist das?
- ArchiveBox/ArchiveBox archiviert URLs in Standardformaten, setzt auf Chrome, wget und yt-dlp und lässt sich per Docker Compose oder uv betreiben. Einordnung von Eingaben, Snapshot-Inhalt und dem Stand v0.9.35rc206.
- Für wen ist es gedacht?
- ArchiveBox passt zu Organisationen und Einzelpersonen, die Webinhalte dauerhaft in eigenen Händen halten wollen und dafür Docker Compose oder eine uv-Installation betreiben. Weniger geeignet ist es, wenn nur gelegentlich eine Seite gesichert werden soll und kein Server zur Verfügung steht; dort genügt die Wayback Machine oder ein einzelner wget-Lauf.
- Darf ich es kommerziell nutzen?
- Ja. MIT ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 2 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
ArchiveBox: Schnappschüsse in HTML, PNG, PDF, WARC und SQLite
ArchiveBox ist eine selbst betriebene Anwendung zum Archivieren von Webinhalten. Laut README hält sie Inhalte von Websites in mehreren Formaten fest: als HTML, PNG, PDF, TXT, JSON, WARC und SQLite. Der Anspruch lautet, dass die Ergebnisse ohne ArchiveBox lesbar bleiben und über Jahrzehnte Bestand haben.
Als Werkzeuge setzt das Projekt auf vorhandene Programme, namentlich Chrome, wget und yt-dlp, und legt die Daten in gewöhnlichen Dateien und Ordnern ab. Ein proprietäres Containerformat gibt es nicht.
Die Motivation formuliert das README deutlich: Ohne aktive Sicherung verschwindet oder verkommt im Netz früher oder später alles. Das Repository ArchiveBox/ArchiveBox erreicht 28.198 Sterne und 1.567 Forks bei 173 offenen Issues, der Standardbranch heißt dev.
docker compose up -d --wait, das dev-Image und get.archivebox.io
Für die Installation zeigt das README mehrere Wege. Empfohlen wird Docker Compose: Nach mkdir -p ~/archivebox/data und dem Wechsel in das Verzeichnis holt curl -fsSL 'https://docker-compose.archivebox.io' die Compose-Datei, danach folgen docker compose pull und docker compose up -d --wait. Abgeschlossen wird die Einrichtung unter http://admin.archivebox.localhost:8000.
Als zweiter Weg dient ein einzelner Container. docker run -v "$PWD:/data" archivebox/archivebox:dev übernimmt init und install; das genutzte Image trägt ausdrücklich den Tag dev.
Wer ohne Container arbeitet, installiert per uv tool install --python 3.13 --prerelease explicit --upgrade 'archivebox>=0.9.0rc0,<0.10', abgekürzt über das Skript unter https://get.archivebox.io. Anschließend stehen archivebox init in einem leeren Datenverzeichnis und archivebox install für die Laufzeitabhängigkeiten an.
archivebox add, archivebox schedule und server 0.0.0.0:8000
Die Bedienung verteilt sich auf mehrere Oberflächen, die laut README gleichwertig sind: eine Weboberfläche, eine CLI, eine Python-API und eine REST-API, dazu der unmittelbare Zugriff über SQLite3 und das Dateisystem. Für den Serverbetrieb nennt das Material archivebox server 0.0.0.0:8000.
Typische Kommandos sind archivebox add 'https://example.com' für einzelne Adressen und archivebox schedule für wiederkehrende Importe, das nach Auskunft des README ohne zusätzlichen Cron-Container auskommt. archivebox help listet die übrigen Unterbefehle.
Die Weboberfläche hört standardmäßig auf Port 8000 und trennt öffentliche Ansicht und Verwaltung: web.archivebox.localhost für erstere, admin.archivebox.localhost für letztere.
Von Pocket und Pinboard bis archivebox-proxy: die Eingabewege
An Eingaben akzeptiert ArchiveBox laut README Adressen in jedem textbasierten Format. Genannt werden exportierte Lesezeichen und Browserverläufe, RSS-Feeds, Dienste wie Pocket, Pinboard, Instapaper und Shaarli sowie Dateien in den Formaten JSON, CSV, TXT, SQL, HTML und Markdown. Die Browser-Erweiterung liegt in einem eigenen Repository namens archivebox-browser-extension.
Darüber hinaus existiert ein MITM-Proxy namens archivebox-proxy, der den Datenverkehr beliebiger Geräte in Echtzeit erfassen soll. Wer diesen Weg nutzt, muss auf den betroffenen Geräten ein Zertifikat verankern; wie die Einrichtung im Detail aussieht, ist der Dokumentation nicht zu entnehmen.
Welche Importquellen sich ohne Anpassung anbinden lassen und welche Schnittstellenfelder erwartet werden, bleibt im verfügbaren Material offen.
Im Snapshot-Ordner: singlefile, wget-Abbild, yt-dlp-Medien und Git-Klon
Für jede aufgenommene Adresse entsteht ein eigener Ordner. Darin liegen laut README unter anderem index.html und index.json, das ursprüngliche HTML samt CSS und JS, ein SingleFile-Schnappschuss, ein wget-Abbild, ein gedrucktes PDF, ein Screenshot als PNG, ein DOM-Dump, extrahierter Artikeltext, Antwort-Header und ein Favicon.
Bei Video- und Audioquellen kommen über yt-dlp MP3- und MP4-Dateien, Untertitel, Metadaten und Vorschaubilder hinzu. Verweist eine Adresse auf ein Projekt bei GitHub, GitLab oder Bitbucket, klont ArchiveBox das Repository und hebt README und Bilder heraus.
Die Extraktoren laufen unmittelbar nach dem Hinzufügen und lassen sich einzeln abschalten. Welche von ihnen im Standard aktiv sind und wie viel Speicher ein einzelner Schnappschuss belegt, geht aus dem Material nicht hervor.
BASE_URL, BIND_ADDR und ./ArchiveBox.conf im Konfigurationsalltag
Konfiguriert wird über Umgebungsvariablen, über archivebox config oder über eine Datei ./ArchiveBox.conf. Das Material nennt BASE_URL für die öffentliche Basisdomäne: Im Standard auto belegt ArchiveBox die Subdomains web. und admin. auf *.localhost, bei gewöhnlichen DNS-Namen dagegen einen einzigen Host. BIND_ADDR legt ausschließlich die lokale Adresse fest, auf der gelauscht wird, und ändert nichts an der erreichbaren Adresse.
Weitere im README erwähnte Schalter sind PUBLIC_ADD_VIEW, PUBLIC_INDEX und PERMISSIONS. Standardmäßig wird zusätzlich eine Kopie jeder Seite bei archive.org abgelegt, was sich für rein lokale Nutzung abschalten lässt.
Weil Index und Daten als SQLite und als Dateien vorliegen, lässt sich ein Archivverzeichnis auf einen anderen Rechner kopieren und dort ohne laufendes ArchiveBox lesen.
Wayback Machine und wget als Alternative zu ArchiveBox
Als Alternative bietet sich die Wayback Machine von archive.org an. Dort entfällt jeder Betriebsaufwand, und große Teile des Netzes sind bereits erfasst; dafür gibt man die Verfügungsgewalt über die Daten ab, und private oder zugangsgeschützte Inhalte lassen sich auf diesem Weg nicht sichern. ArchiveBox hält diese Inhalte lokal und sendet optional zusätzlich eine Kopie an archive.org.
Ein zweiter Weg führt über wget oder HTTrack unmittelbar. Damit entsteht ein Abbild einzelner Seiten, jedoch ohne Index, ohne Zeitplan und ohne die Medien- und Git-Extraktoren. ArchiveBox bündelt diese Schritte und führt Buch über den Zustand jeder Adresse.
Der Preis liegt im Betrieb: ein Chrome für Screenshots, Speicherplatz für mehrere Formate pro Seite und eine Release-Reihe, die im Material ausschließlich aus Vorabversionen besteht.
MIT-Lizenz, rc-Releases und was das README offenlässt
Die Lizenz ist MIT, das Urheberrecht liegt bei Nick Sweeting. Die MIT-Bedingungen erlauben Nutzung, Veränderung und Weitergabe, schließen jedoch jede Gewährleistung aus; für ein Archiv, das später als Nachweis dienen soll, empfiehlt sich deshalb ein unabhängiger Prüfpfad.
Das README verweist auf kostenpflichtige Integrationsleistungen für Journalistinnen, Anwältinnen, Forschende und Behörden, darunter Einrichtungshilfe, Umgehung von CAPTCHA und Rate-Limits, SSO sowie Prüfprotokolle. Getragen wird das Projekt laut README von einem gemeinnützigen Finanzsponsor nach 501(c)(3).
Zum Versionsstand gehört eine Einschränkung: Die drei jüngsten Releases heißen v0.9.35rc206, v0.9.35rc204 und v0.9.35rc203, erschienen im August 2026, und die Installation über uv verlangt ausdrücklich die Freigabe von Vorabversionen. Angaben zur Reife der Python- und REST-API fehlen.
Redaktionelles Fazit
ArchiveBox passt zu Organisationen und Einzelpersonen, die Webinhalte dauerhaft in eigenen Händen halten wollen und dafür Docker Compose oder eine uv-Installation betreiben. Weniger geeignet ist es, wenn nur gelegentlich eine Seite gesichert werden soll und kein Server zur Verfügung steht; dort genügt die Wayback Machine oder ein einzelner wget-Lauf. Vor dem produktiven Einsatz empfiehlt sich ein Probelauf mit v0.9.35rc206: eine URL mit Videoanteil hinzufügen, kontrollieren ob MP4 und WARC im Snapshot-Ordner liegen, und in ./ArchiveBox.conf die Weitergabe an archive.org abschalten, falls keine externe Übertragung erlaubt ist.
Community-Notizen