Ferramenta de arquivamento atualizada com o Codex de maio de 2026
Parece ser bastante complicado salvar um site inteiro do Discourse em uma versão estática. De acordo com esta postagem de Jeff Atwood, é «muito mais difícil do que você imagina». Também não parece que isso seja uma prioridade para a equipe do Discourse, o que é perfeitamente compreensível.
No entanto, para os meus propósitos, percebi que realmente precisava de alguma forma de gerar versões em HTML estático básico dos meus sites do Discourse. Tenho usado o Discourse há alguns anos como um fórum de discussão ao ensinar minhas aulas de matemática no ensino superior; assim, a cada poucos meses, aposento um ou dois sites e inicio um ou dois novos. Obviamente, as discussões nos sites que estão sendo aposentados têm valor, então eu realmente precisava de alguma forma de salvá-las. Por fim, decidi criar minha própria ferramenta.
A ideia básica é simples: usar a API do Discourse para rastrear o site, capturar a versão formatada de cada postagem e transformá-la em HTML. A ferramenta foca principalmente nas minhas próprias necessidades como professor de matemática no ensino superior, que utiliza pequenos fóruns do Discourse para apoiar minhas aulas de matemática. Assim, conteúdo matemático, como f(x)=e^{-x^2}, deve ser automaticamente formatado com o MathJax V4 e blocos de código delimitados marcados como sage são convertidos em Células Sage ativas.
We’re definitely interested in this, because sometimes you want to turn off all the fancy hosting and databases and render out a set of static HTML pages for permanent long term archiving with zero security risk.
With the meta topic, others can follow along and edit / contribute as needed.
Yes, those links are gone, but it’s all summarized on this new page. Also, the output of the code as applied to this DiscourseMeta is now here. I even put it up on GitHub so maybe someone will get interested.
I’d like to edit the original post, but I seem to be past the edit window.
Incidentally, I do think that httrack works much better than I originally thought but I still strongly prefer my version for two main reasons:
My code explicitly supports MathJax, which is essential for my work.
(I’ll probably need to update my code to work with the new MathPlugin sometime)
I’ve got much more control over what get’s downloaded and how it’s displayed. For example, I don’t like the way that httrack output points to user links, even if not downloadedl
I’m hosting a forum that is currently, in its third iteration, running Discourse. Our last two forums were (I think, phpbb2 or something like that). I have resolved to archive them using Discourse, so that:
I scan the phpbb2 database into Discourse (there’s a migration tool)
I create a static HTML archive using Discourse.
I put up the static HTML archive into public use (preferably in the same place where our dynamic forum running Discourse is).
According to the first message
There are no user pages or category pages
Could it be somehow advanced so that creating category views would be also possible?
Also, any help on how to use the Jupyter notebook thing? First time I hear of this…
I’m still in the phase 1 (phpbb2 > phpbb3 > discourse) of my archival, so no site yet. After I’ve managed the phpbb conversion, I’ll get back to this. It feels very, very hard. Been trying to install phpbb3 for a while now, but I get some weird problems all the time.
@Silvanus Well, I noticed that you point to the forum at https://uskojarukous.fi/ on your Profile page; I went ahead and created a couple of archives of that. You can (temporarily) take a look at the results here:
I definitely like my version better; no surprise there because I designed it the way I want it to look.
The front page of the httrack version doesn’t look so great simply because that’s what the escaped fragment version looks like.
I think it might make sense to start httrack at a subpage to generate something like this.
It wouldn’t be too hard to make my archival tool grab the categories; I might do that for the next iteration.
My code adds MathJax to every page because my forums are mathematical. I should probably try to detect if MathJax is necessary. I’m guessing your forum doesn’t require it.
The httrack command
The httrack version was generated with a command that looks like so:
The -https://uskojarukous.fi/users* -*.rss prevents httrack from downloading files matching those patterns.
The -x -o combo replaces both external links and errors with a local file indicating the error. So, for example, we don’t link to user profiles on the original that weren’t downloaded locally.
The -M10000000 restricts the total amount downloaded to 10MB. There appears to be some post processing and downloading of supplemental files that makes the total larger than this anyway.
The --user-agent "Googlebot" should not be necessary if the forum is powered by a recent version of Discourse.
The archival tool code
For the most part, the archival tool should run with minimal changes. I run it within a Jupyter notebook but the exact same code could be run from a Python script with the appropriate libraries installed. Of course, you need to tell it what forum you want to download. The few lines of my first input look like so:
base_url = 'https://uskojarukous.fi/'
path = os.path.join(os.getcwd(), 'uskojarukous')
archive_blurb = "A partial archive of uskojarukous.fi as of " + \
date.today().strftime("%A %B %d, %Y") + '.'
Later, in input 6, I define max_more_topics = 2. Essentially, that defines a bound on k in this code here:
'/latest.json?page=k'
But again, there should be some changes made to the code to get it to work for non-mathematical forums.
Very cool, thank you for all the clarifications. Just a quick note, it seems that your tool can’t handle sub-categories (which is why many of the messages seem to be without a category).
@mcmcclur: as you already realized, I’m the admin of said forum, which is the third of our forums. When we did technological jumps, we didn’t migrate, but started from scratch, and the older forum was archived. The last two forums are in SMF format - but I finally managed to start converting them into Discourse format!
So, our forum had a public area and a closed area. I’m thinking that the closed area (a few categories) should be archived, but closed off via a password gate. I noticed that the static paths are something like /t/TITLE/MESSAGEID/. This, if course, lends itself for thread-by-thread gating, but is slightly cumbersome - but, heh, I guess that’s what you get when archiving huge loads of stuff from a dynamic forum to a static archive…
Usar a flag -s0 ignora o arquivo robots.txt (se você tiver uma conta não acessível por spiders)
Se seu site estiver atrás de um login, você pode baixar um arquivo .txt com os cookies (após fazer login) usando uma extensão do Chrome como cookies.txt e colocá-lo no diretório onde está executando o httrack.
Estou usando httrack via cron para criar um arquivo offline do nosso site Discourse. No entanto, o usuário que faz login pelo httrack é marcado como uma “visualização” para cada tópico, gerando números de visualizações superinflados para cada tópico (o cron roda a cada hora).
Existe alguma maneira de excluir um determinado usuário de ser registrado nas estatísticas / estatísticas de visualização do site como um todo?
We have additional methods for tracking user visits which would be even harder to override.
We only store one page view per day per user, but I get that it can add up.
Hacking this out so certain users are not tracked would either require a plugin or some sort of daily query that nukes all the views by the user and remembers to also reduce views count from the topics table.
Oi, acabei de ler todo esse tópico e queria verificar se essa ferramenta funciona se o fórum Discourse estiver atrás de um login e senha. Como eu editaria o código para permitir que eu arquivasse o site?
Como o código está escrito atualmente, ele não foi projetado para acessar nenhum material que exija login. No entanto, configurá-lo deve ser bastante simples. O código interage com o site Discourse por meio da biblioteca Python Requests, que oferece autenticação. É factível que adicionar auth=('user', 'pass') ao código nos pontos apropriados seja tudo o que for necessário. No momento, não estou executando um site Discourse, então não posso testar isso agora.
Talvez seja possível instruir o httrack a “adicionar /print no final”?
Existe alguma configuração de user agent que mostre toda a thread do fórum em uma única página? Se não, você poderia adicionar esse recurso? Você já implementou o modo de impressão. A maior parte já está implementada. O que falta é um user agent que faça com que o conteúdo gerado para o “modo de impressão” seja fornecido ao rastreador? Alternativamente, se você não gostar da ideia de um user agent personalizado para esse fim, que tal um cabeçalho HTTP ou um cookie que possa ser usado para esse propósito?
Desativar (temporariamente) a rolagem infinita (para alguns user agents) tornaria possível arquivar o Discourse com a ferramenta de arquivamento web htttrack.
