网页证据如何长期复核真正困难的通常不是完成一次 API 调用而是让结果可以校验、失败可以定位、后续能够回到原始证据。本文围绕“如何保存网页快照、静态 HTML、PDF 和域名状态建立可复核的网页归档证据链”给出一套可以直接落到任务状态和数据契约上的实现方式。问题与结果抓取时间、原 URL、HTML、截图、PDF 和文件哈希统一入档后续能证明归档内容来自哪次采样。最终交付不是一段不可追溯的模型回答而是一组带来源、版本、状态和失败记录的数据。这样既方便接入后续系统也能在接口、页面或模型输出变化时定位问题。适用场景公开网页定期归档活动与政策页面留痕站点变更前后对比实现前先确定边界归档任务必须记录采样时间和最终跳转 URLHTML、截图和 PDF 是不同证据形态访问受限或抓取失败时只记录失败状态不尝试绕过可验证工作流API 编排与职责步骤接口请求方式用途标题图标获取任意站点标题与图标GET保存页面标题、站点图标等基础信息DNS 查询域名 DNS 信息查询GET保存域名解析信息SSL 证书域名 SSL 证书信息解析GET保存证书主体、有效期等信息WHOIS域名 Whois 查询GET保存域名注册信息网页快照网站截图与 HTML 快照POST同时保存截图和 HTML 快照静态 HTMLURL 转静态 HTML 文件POST生成可归档的静态 HTMLPDF 导出HTML/URL 转 PDFPOST将页面导出成 PDFWord 导出HTML 转 WordPOST将页面内容导出成 Word最小可运行实现保存网页快照curl -X POST https://api.gugudata.com/websitetools/url2snapshot?appkeyYOUR_APPKEY \ -H Content-Type: application/json \ -d { url: https://example.com/campaign/page, responseFormat: base64, fullPage: true, width: 1920, height: 1080, deviceScaleFactor: 1, isMobile: false }生成静态 HTMLcurl -X POST https://api.gugudata.com/websitetools/url2html?appkeyYOUR_APPKEY \ -H Content-Type: application/json \ -d { url: https://example.com/campaign/page }查询域名 SSL 信息curl -G https://api.gugudata.com/v2/websitetools/sslcertinfo \ --data-urlencode appkeyYOUR_APPKEY \ --data-urlencode domainexample.comAgent 可以用归档任务记录每次执行def build_archive_record(url: str, snapshot_id: str, status: str) - dict: Build a webpage archive record. return { source_url: url, snapshot_id: snapshot_id, status: status, artifacts: [snapshot, html, pdf], }归档记录怎么设计网页归档建议保存以下字段字段说明source_url原始 URLnormalized_url规范化后的 URLcaptured_at归档时间page_title页面标题domain_infoDNS、SSL、WHOIS 摘要snapshot_file截图或快照文件html_file静态 HTML 文件pdf_filePDF 文件status成功、部分成功、失败、待重试对于需要长期保存的页面应保留多个版本而不是覆盖旧文件。版本差异可以用于活动复盘、竞品监控或内容审计。失败分类与降级如果页面需要登录、被防爬或加载超时Agent 应记录失败原因而不是生成空白归档。若 DNS 或 SSL 查询失败但页面快照成功可以标记为部分成功。对于动态页面建议同时保存全页截图和 HTML 快照。归档任务应支持重试但重试生成的是新版本不应覆盖第一次归档时间。数据契约与留痕建议至少保存以下字段真实项目可以继续拆分但不要删除来源、版本和状态信息。字段作用archive_id稳定业务标识用于关联记录并避免名称冲突requested_url来源或目标 URL保留最终跳转前后的差异final_url来源或目标 URL保留最终跳转前后的差异captured_at带时区的采样或生成时间判断数据新鲜度html_hash内容哈希用于完整性校验、版本识别和去重snapshot_hash内容哈希用于完整性校验、版本识别和去重pdf_hash内容哈希用于完整性校验、版本识别和去重domain_evidence业务数据字段保存时记录来源、口径和缺失状态所有派生结果都应带生成时间和输入版本。发生重试时新增尝试记录不要覆盖最后一次失败以免排查时只剩“最终成功”而看不到中间问题。验收清单所有产物都有哈希和时间同一 URL 的多次归档不会相互覆盖失败和权限缺口能在清单中明确识别能力边界技术归档不自动具备法律证据效力也不能绕过登录、验证码、付费墙、robots 或访问控制。示例中的YOUR_APPKEY仅为占位符。真实密钥只能放在服务端环境变量或密钥管理系统中不应进入前端、文章、日志或版本库。