ArchiveBox är ett självhostat arkiv för webbsidor, skrivet i Python och Django och släppt under MIT-licensen. Du ger verktyget URL:er – en i taget, i bulk eller via schemalagda importer från bokmärken, webbläsarhistorik, RSS-flöden, Pocket/Pinboard eller en webbläsartillägg – och det skapar en snapshot för varje adress. Varje snapshot lagras i flera redundanta format samtidigt: rå HTML/CSS/JS, en self-contained SingleFile-HTML, skärmbild i PNG, PDF, WARC, extraherad artikeltext, favicon och HTTP-headers.
För videotjänster som YouTube hämtas ljud/video och undertexter, för Git-länkar klonas källkoden och för dokumentlänkar sparas PDF/DOCX/CSV. Allt hamnar som vanliga filer och mappar tillsammans med ett SQLite-index, så arkivet går att läsa och flytta utan ArchiveBox. Arbetet sker genom CLI:t, det självhostade webbgränssnittet, Python-API:t eller REST-API:t (Swagger-dokumentation på /api/v1/docs).
Extraktorer kan stängas av per installation, till exempel för att undvika att känsliga URL:er skickas till tredjepartstjänster. Verktyget riktar sig till privatpersoner, journalister, forskare, aktivister och organisationer som vill bevara webbsidor på egna diskar – inte till dem som bara vill ha en molntjänst.