Архивация Живого Журнала

Живой Журнал (LiveJournal, ЖЖ) — блог-платформа: каждый журнал живёт на своём поддомене имя.livejournal.com. Записи, архив по датам и комментарии открываются без входа в аккаунт. Поэтому журнал сохраняют как сайт, а свой журнал можно ещё и выгрузить встроенным экспортом.

Сервис предоставляет ООО «СИМ» (пользовательское соглашение, редакция от 18.03.2026). С 29 декабря 2025 года новые публичные записи и комментарии могут оставлять только пользователи, которые выполняют одно из условий. Это пакет «Профессиональный», привязанный Сбер ID, социальный капитал от 500 или блог из реестра блогеров Роскомнадзора либо верифицированный (объявление ru_news). По тому же объявлению старые записи и комментарии остаются доступны для чтения.

Какой способ для какой задачи

Задача	Способ	Результат
Свои записи без комментариев	Экспорт журнала	XML или CSV, по месяцу за раз
Новые записи чужого журнала, мониторинг	RSS или Atom	XML, 25 последних записей
Журнал целиком как сайт	wget с WARC	WARC
Журнал так, как его видит читатель	Browsertrix	WACZ
Комментарии к записям	страницы комментариев в составе обхода	WARC/WACZ
Журнал уже удалён или закрыт	Wayback Machine и ArchiveTeam	—

Отдельного экстрактора Живого Журнала в gallery-dl 1.32.18 нет. Экстрактор LiveJournal в yt-dlp 2026.10.26 рассчитан только на видеоальбомы и помечен в коде как неработающий (_WORKING = False).

Экспорт своего журнала

По FAQ Живого Журнала (обновлён 28.02.2020) страница Export Journal выгружает один месяц за раз и без комментариев:

адрес — https://www.livejournal.com/export.bml, без входа он перенаправляет на страницу логина;
формат — CSV или XML;
флажок Event — основной текст записи, его оставляют включённым;
загрузить экспорт обратно в Живой Журнал нельзя.

Комментарии к своим записям FAQ предлагает сохранять страницами записей. Так же их забирает обход журнала, см. ниже.

RSS и Atom

Адреса лент описаны на странице LiveJournal Bot Policy:

https://имя.livejournal.com/data/rss
https://имя.livejournal.com/data/atom

В проверке 29.10.2026 (curl двух публичных журналов) обе ленты отдали по 25 последних записей. RSS-элемент содержит полный HTML текста записи со ссылками на картинки и число комментариев в lj:reply-count. Самих комментариев в ленте нет.

Лента подходит для мониторинга: по ней видно новые адреса записей. Для архива всего журнала её мало.

Обход журнала

Записи, календарь и страницы ленты журнала отдаются обычным HTML. Старые записи открываются параметром ?skip=N и архивом по датам /ГГГГ/ММ/ДД/. Страница записи в нашей проверке весила 0,7–0,8 МБ HTML без картинок.

Правила для автоматического доступа на той же странице Bot Policy:

не больше пяти соединений в секунду и без многопоточности;
в User-Agent — адрес электронной почты для связи и, желательно, URL организации;
повторные частые запросы одного адреса блокируются.

По вики ArchiveTeam блокировка выглядит как ошибка 403 и длится около месяца.

wget

wget --recursive --level=inf --no-parent \
     --page-requisites --span-hosts \
     --domains=JOURNAL.livejournal.com,ic.pics.livejournal.com \
     --reject-regex='(replyto=|mode=reply|/friends|/feed/|\\")' \
     --warc-file=JOURNAL --warc-cdx \
     --wait=1 --random-wait \
     --user-agent="archive-bot (+https://example.org/; [email protected])" \
     https://JOURNAL.livejournal.com/

--domains держит обход в журнале и пускает только хост картинок ic.pics.livejournal.com.
replyto= и mode=reply — формы ответа, /friends и /feed/ — лента друзей с чужими записями.
\\" отсекает мусорные адреса. В пробном запуске wget нашёл ссылки внутри встроенного в страницу JSON и запросил их как пути вида /%5C%22https://….

Команда проверена пробным запуском GNU Wget 1.25.0 с --level=1 на журнале memo-projects (октябрь 2026). Флаги и запись WARC — на странице Wget.

Browsertrix

Browsertrix открывает страницы в браузере: комментарии и вёрстка сохраняются так, как их рисуют скрипты.

docker run --rm -v $PWD/crawls:/crawls/ \
    webrecorder/browsertrix-crawler:1.15.2 crawl \
    --url https://JOURNAL.livejournal.com/ \
    --scopeType host \
    --exclude "replyto=|mode=reply|/friends|/feed/" \
    --userAgentSuffix "+https://example.org/; [email protected]" \
    --robots --reportSkipped \
    --generateWACZ \
    --collection JOURNAL-lj

--scopeType host ограничивает обход поддоменом журнала.

Флаги сверены с cli-options.md Browsertrix Crawler 1.15.2 (октябрь 2026). Полный обход журнала этой командой не запускался.

Адрес	Что на странице
`запись.html`	пять последних комментариев
`запись.html?view=comments` или `?page=1`	первая страница дерева: 52 комментария, из них 24 свёрнуты
`запись.html?page=2`, `?page=3`	следующие страницы
`запись.html?thread=ID`	свёрнутая ветка; ссылки на неё есть на странице

Комментарии приходят в HTML страницы как JSON и рисуются скриптом. В журналах со своим оформлением адреса могут отличаться: проверьте на одной записи до обхода.

robots.txt журнала запрещает адреса записей с параметрами (Disallow: *.html?). С --robots Browsertrix пропустит страницы комментариев, и в архив попадут только пять последних комментариев к каждой записи. Отсечённые адреса покажет reports/skippedPages.jsonl. wget 1.25.0 шаблоны со звёздочкой не разбирает: правило сравнивается как начало пути. В пробном запуске он скачал ?view=comments. По умолчанию Ruarxive соблюдает robots.txt; собирать комментарии вопреки этому правилу — осознанное решение для журнала под угрозой исчезновения, его записывают в паспорт сбора (позиция проекта). Как устроены такие правила — robots.txt для архивиста.

Если журнал уже удалён

Wayback Machine. Проверьте адрес журнала и записей через CDX API с префиксом имя.livejournal.com/*.
ArchiveTeam. Состояние проекта по LiveJournal — на странице ArchiveTeam. Отдельные журналы ArchiveTeam снимал через ArchiveBot: такие WARC лежат на archive.org в коллекции archivebot, найденные снимки — 2016–2018 годов.

Хранение результата

Храните рядом WARC или WACZ обхода, файлы экспорта по месяцам и ленту RSS на дату сбора.
Запишите в паспорт сбора адрес журнала, версию wget или Browsertrix, User-Agent и решение по robots.txt.
Паспорт и контрольные суммы — по методике.

Право

Пользовательское соглашение запрещает без специального разрешения Администрации использовать автоматические скрипты (боты, краулеры) для сбора информации. Страница Bot Policy при этом описывает форматы и правила для ботов. Как к этому относиться — условия использования сервисов.
Имена, юзерпики и тексты комментаторов — персональные данные.
Записи и фотографии принадлежат авторам: копия журнала не даёт права на её публикацию, см. авторское право.

Практика Ruarxive

В списке сбора 2021 года по «Мемориалу» есть блог memo-projects.livejournal.com: инструмент wpull, формат WARC. В индексе доменов CDN этого каталога нет. Подробнее — разбор кейса.

Ресурсы

FAQ: How do I download all of my journal entries?
LiveJournal Bot Policy
Пользовательское соглашение
LiveJournal: важные изменения — правила публикации с 29.12.2025
ArchiveTeam: LiveJournal

Связанные материалы

Wget — рекурсивная загрузка и WARC
Browsertrix — браузерный обход и WACZ
robots.txt для архивиста
Wayback Machine API — поиск исчезнувших страниц
ArchiveTeam — коллективные спасения сервисов
Срочная архивация — если журнал вот-вот закроют
Методика архивации соцсетей — паспорт сбора, темп, хранение

Какой способ для какой задачи​

Экспорт своего журнала​

RSS и Atom​

Обход журнала​

wget​

Browsertrix​

Комментарии​

Если журнал уже удалён​

Хранение результата​

Право​

Практика Ruarxive​

Ресурсы​

Связанные материалы​