Conformance declaration

browserhive:capture は、そのパッケージが満たすと主張する本仕様の版の URL を 値とする conformsTo という member を持たなければならない。

"browserhive:capture": {
  "conformsTo": "https://uraitakahito.github.io/browserhive-specs/wacz-profile/1.4.0/"
}

宣言をここに置き、datapackage.json の profile member に置かないのは、 そちらがこの用途に使えないためです。

読み手は browserhive:capture が存在するというだけで適合を推定しては ならない。conformsTo が無ければ、そのパッケージが どの版に向けて書かれたかは不明です。

build

browserhive:capture は、パッケージを作ったソフトウェアを機械可読な形で 識別する build member を持たなければならない。

"build": {
  "version": "3.4.0",
  "revision": "0776cae",
  "buildTime": "2026-08-21T04:04:09.000Z"
}

version の書式は定めません。リリースそのものから作られた build は "3.4.0" のような値を持ちますが、リリースとリリースの間で作られた build は "3.4.0-12-gabc1234" のように、直近のリリースからの距離を含んだ値になり 得ます。どちらも「どの build か」を言うという点では同じで、読み手はこれを版数として 解釈するのではなく、同じ値なら同じ build であるという識別子として 扱うべきです。

[[WACZ]] は既に software を定めています。あちらは散文で、書き方が producer ごとに違うため誰も解析しません。build があるのは、同じ事実を形式を推測せずに 機械が読めるようにするためです。

browser

browserhive:capture は、取り込みを行った browser を記述する browser member を持たなければならない。値が string である product member を持たなければならない。

"browser": {
  "product": "Chrome/151.0.7922.137"
}

綴りは定めません。値は browser 自身が名乗るものなので、別のエンジンが作った パッケージは別の形を運びます。読み手は 2 つの値が等しいかどうかを比べられますが、 書式を仮定することはできません。

値は代用のものであってはならない。これを取得できない producer は、 適合するパッケージを作ってはならない。記録した browser が不明な アーカイブはこのプロファイルの外にあり、member を省くことはそれを表明する手段では ありません。

settings

browserhive:capture は、この取り込みに効いていた設定を記録する settings member を持たなければならない。

値は解決後の値でなければならない。要求が指定した値ではありません。 何も指定しない要求も何らかの設定の下で走っており、アーカイブが報告すべきなのはその設定です。

"settings": {
  "signature": "none",
  "viewport": { "width": 1280, "height": 800 },
  "devicePixelRatios": [1],
  "session": "isolated",
  "behaviors": ["autoscroll", "autofetch"],
  "limits": {
    "maxResponseBytes": 20971520,
    "maxTaskBytes": 209715200
  },
  "urlPolicies": [
    { "pattern": "*://*.example-analytics.com/*", "action": "deny" }
  ],
  "contentTypePolicies": []
}

この例の session は、取り込みがそれ自身の context で走ったことを 表しています。devicePixelRatios の要素が 1 つなのは、ページを 1 回だけ読み込んだという意味です。behaviors に並ぶ 2 つは実際に走った behavior です —— 有効化されていた ものの一覧ではありません。acceptLanguage は、この取り込みが設定しなかった ので在りません。値そのものは producer が決めるもので、ここに挙げた綴りを このプロファイルが定めているわけではありません。

devicePixelRatios が数値ではなくリストなのは、取り込みがページを 2 回以上 読み込むことがあるためです。単一の値で記録すると、在る描画が無いと読み手に 伝えてしまいます。

値は読み込んだ順序で並んでいなければならない。読み手が 「どの版がアーカイブに在るか」だけでなく「どの版が最後に描かれたか」を言えるように するためです —— ページの見た目を伴う成果物は、最後の読み込みが残した状態に従います。

2 回読み込む取り込みでは、読み込んだ数だけ値が並びます。要求が acceptLanguage を指定した場合は、それもここに現れます:

"settings": {
  "signature": "required",
  "viewport": { "width": 1280, "height": 800 },
  "devicePixelRatios": [1, 2],
  "session": "isolated",
  "behaviors": ["autoscroll"],
  "acceptLanguage": "ja,en;q=0.9",
  "limits": {
    "maxResponseBytes": 20971520,
    "maxTaskBytes": 209715200
  },
  "urlPolicies": [],
  "contentTypePolicies": [{ "prefix": "video/", "action": "no-body" }]
}

2 つは測る対象が違います。maxResponseBytes は レスポンス 1 件の本文に掛かり、maxTaskBytes はこのパッケージへ書いた 本文の累計に掛かります。

この違いは読み手にとって実際的です。maxResponseBytes は 1 件ずつを量るので、 それを下回るレスポンスは何件でも入り、パッケージ全体の大きさはこの値からは 分かりません。maxTaskBytes は積み上げた総量を見るので、線を越えた 後は大きさに関わらず本文が落ちます —— 落ちた中に小さなレスポンスが 混じっていても、それは矛盾ではありません。

本文が 1 つも落とされなかった場合でも limits は存在し なければならない。切り詰めがどの線を超えたのかを アーカイブが言える場所は、ここだけです —— 切り詰めの記録は落とした事実と実際の 大きさを運びますが、その大きさが多すぎたかどうかは線と並べて初めて分かります。

completeness の truncatedUrls は、この 2 つのどちらを超えて落ちたのかを 区別しません。 対処が違う (前者は 1 件が大きすぎ、後者はページ全体が重い) にもかかわらずです。 区別が要る読み手は、パッケージの外 —— 取り込みが出した報告 —— を見ることになります。

completeness

browserhive:capture は、そのパッケージが保持していない本文についての 自身の申告である completeness member を持たなければならない。

"completeness": {
  "bodylessUrls": [],
  "truncatedUrls": [],
  "complete": true
}

何も欠けなかった取り込みはこの形になります。complete は両方の配列から 導かれるので、空の配列 2 つと false という組み合わせは現れません。

次は、両方の理由で本文を欠いた取り込みです:

"completeness": {
  "bodylessUrls": [
    "https://example.com/assets/app.css"
  ],
  "truncatedUrls": [
    "https://example.com/media/hero.mp4",
    "https://example.com/media/poster.png"
  ],
  "complete": false
}

この取り込みでは、CSS が 304 としてしか現れませんでした —— 本文が wire を 渡っていないので、アーカイブは持ちようがありません。動画とポスター画像は上限に当たって 落ちたものです。同じ URL が 2 回落ちても、配列には 1 度だけ現れます。

同じページの 2 つの取り込みを比較できるよう、両方の配列は整列されて いなければならない。

2 つが別の member なのは、求められる対応が違うからです。304 はオリジン側の 事情でここからは回復できませんが、上限で落とした本文はこちら側の事情で、上限を上げれば 戻ります。

正当に本文を持たないレスポンスを列挙してはならない —— redirect、204、および要求者が設定した content-type フィルタで省かれた本文。 最後のものを報告しても、読み手が既に決めたこと以上を何も伝えません。

coverage

browserhive:capture は、取り込みがページのどこまで下れたかを記述する coverage member を持ってもよい。

"coverage": {
  "scrollExhausted": true,
  "scrollSteps": 40,
  "scrolledPx": 32000
}

3 つの値は互いを読み合うためのものです。scrolledPx は scrollSteps に settings が記録した viewport の高さを 掛けたもの —— ここでは 40 × 800 —— なので、読み手は一方を他方で検算できます。 そして scrollExhausted が true である以上、 この 32,000 ピクセルは取り込みが止まった地点であって、ページが 終わった地点ではありません。その下にあったものは一度も要求されておらず、 したがってパッケージの他のどこにも痕跡を残していません。

スクロールの behavior が何も報告しなかった場合、coverage は存在しては ならない。既定値を入れて書いてはならない —— scrollExhausted: false はページを覆えたという主張であり、一度もスクロール しなかった取り込みはその主張を得ていません。

dismissal

browserhive:capture は、取り込みが記録の前にページから何を取り除いたか、 そして何を探したかを記録する dismissal member を持ってもよい。

同意バナーを取り除いた取り込みは、そのあと保存する文書そのものを変えています。 それを述べるものは他にありません —— 取り除かれた要素は WARC にも索引にも 描画後のスナップショットにも痕跡を残さず、読み手はもともとバナーの無いページと 区別できません。

"dismissal": {
  "selectors": [
    { "framework": "OneTrust", "selector": "#onetrust-banner-sdk" },
    { "framework": "Cookiebot", "selector": "#CybotCookiebotDialog" }
  ],
  "heuristic": { "enabled": true, "minViewportCoverageRatio": 0.3, "minZIndex": 1000 },
  "framework": "OneTrust",
  "removedSelectors": ["#onetrust-banner-sdk"],
  "unusableSelectors": [],
  "removedOverlays": 0,
  "devicePixelRatio": 1
}

除去を試みなかった場合、dismissal は存在しては ならない。したがって不在は「配信されたままのページを 保存した」を意味します。「何も見つからなかった」ではありません。

dismissal が在るとき、何も取り除かなかった場合でも selectors と heuristic は在らなければならない。 結果を検証可能にしているのはこの 2 つです —— 20 件の項目の隣に在る空の removedSelectors は「そのどれもが名指しするバナーをページは持たなかった」 と述べますが、項目が 1 件も無い隣の同じ空リストは「何も探さなかった」としか 述べません。1 件も濾さなかった取り込みにも urlPolicies を必須にしているのと 同じ理屈です。

パッケージは unreadable を framework・ removedSelectors・unusableSelectors・ removedOverlays と並べて持ってはならない。 遂行できなかった除去は何も観測しておらず、その隣に空の結果を書くことは 「ページはバナーを持たなかった」という主張になります。

スクロールもまた取り込みが見るものを変えますが、それが何をしたかは既に coverage —— ページのどこまで下れたかを述べるもの —— が記録しています。 同じ行為の 2 つ目の申告をここに置けばそれは写しであり、いずれ片方が 古いほうになります。

ページを 2 回以上読み込む取り込みは、読み込みごとに要素を取り除きます —— 除去は同意ではないので、同意フレームワークは次の読み込みで再び描画されます。 removedSelectors は読み込みをまたいだ和ではなく、ある瞬間の 1 つの文書に対する観測であり、それをどの読み込みのものかに結び付けるのが devicePixelRatio です。

tls

browserhive:capture は、各 HTTPS 接続について browser が見たものを記録する tls member を持ってもよい。存在する場合、 hosts と chains を持たなければならない。

tls.hosts

host を鍵とするオブジェクト。各値は以下の member を持つオブジェクトか、null。

HTTPS で到達したが接続が何も明かさなかった host は、値 null として記録され なければならない。鍵ごと省くと「この host は素の HTTP だった」と 読めてしまいますが、それは別の事実です。

host 名の照合に使われるのは subject ではなく san です。 subject が記録するのは common name であり、現在の読み手はこれを照合に 用いません —— subject の値をもって「その host 名で通用した」と読んでは ならない。

chainRef が無いことを「この host は証明書を提示しなかった」と読んでは ならない。チェーンの取得は host と無関係な理由でも失敗します。

tls.chains

鍵が chainRef の値であり、値が base64 符号化された DER 証明書の配列である オブジェクト。各配列はリーフを先頭として並んでいなければならない。

チェーンを共有する host は 1 つの項目を共有すべきである。 1 ページの host 間で証明書が再利用されることは多く、host ごとに複製を持つとパッケージが 何の利得もなく膨らみます。

チェーンは参照ではなく保存します。Certificate Transparency が同じバイト列を持っては いますが、第三者のサービスが到達可能であり続けることに依存する証拠は、その分だけ弱く なります —— そして検討する価値のある事例である私設 CA のチェーンは、そもそもそこに 記録されたことがありません。

"tls": {
  "hosts": {
    "example.com": {
      "protocol": "TLS 1.3",
      "cipher": "AES_128_GCM",
      "subject": "example.com",
      "san": ["example.com", "www.example.com"],
      "issuer": "Example Issuing CA",
      "validFrom": "2026-06-30T20:37:58.000Z",
      "validTo": "2026-09-28T21:37:55.000Z",
      "chainRef": "9a57318f8c89976c"
    },
    "cdn.example.net": {
      "protocol": "QUIC",
      "cipher": "AES_128_GCM",
      "subject": "*.example.net",
      "san": ["*.example.net", "example.net"],
      "issuer": "Example Issuing CA",
      "validFrom": "2026-08-05T20:42:14.000Z",
      "validTo": "2026-10-28T20:42:13.000Z",
      "chainRef": "c52653c92800f6fd"
    },
    "img.example.net": {
      "protocol": "TLS 1.3",
      "cipher": "AES_128_GCM",
      "subject": "*.example.net",
      "san": ["*.example.net", "example.net"],
      "issuer": "Example Issuing CA",
      "validFrom": "2026-08-05T20:42:14.000Z",
      "validTo": "2026-10-28T20:42:13.000Z",
      "chainRef": "c52653c92800f6fd"
    },
    "api.example.org": {
      "protocol": "TLS 1.3",
      "cipher": "AES_256_GCM",
      "subject": "api.example.org",
      "san": ["api.example.org"],
      "issuer": "Example Issuing CA",
      "validFrom": "2026-05-14T09:03:11.000Z",
      "validTo": "2026-08-12T09:03:10.000Z"
    },
    "beacon.example.org": null
  },
  "chains": {
    "9a57318f8c89976c": [
      "MIIDbzCCAxSgAwIBAgIRALaMq73qMP3mE30B…",
      "MIICjDCCAhKgAwIBAgIQf5wJDMcM1Y2ZBpFB…"
    ],
    "c52653c92800f6fd": [
      "MIIIUDCCBzigAwIBAgIQHnJSlrCYIdkSw8c/…",
      "MIIFCzCCAvOgAwIBAgIQVJ5xIVMKmZ0sNHxs…"
    ]
  }
}

この例は 5 つの host を記録しています。上の規定がそれぞれどう現れるかを見てください。

• cdn.example.net と img.example.net は同じ chainRef を指しています —— 同じ証明書を提示したので、チェーンは chains に 1 度だけ保存されています。
• api.example.org には chainRef がありません。 証明書は提示されており (subject 以下がその証拠です)、取れなかったのは チェーンだけです。
• beacon.example.org は null です。HTTPS で到達しましたが、 接続は何も明かしませんでした。鍵ごと省いていないのは、省くと「この host は素の HTTP だった」と読めてしまうためです。
• cdn.example.net の protocol は "QUIC" です。 この member は browser が報告した文字列であり、TLS の版とは限りません。

chains の値は base64 符号化された DER です。例では読みやすさのため途中で 切ってありますが、実際には 1 通あたり 1–2 KB 程度の文字列になります。

urlPolicies

urlPolicies は順序付きの配列です。各項目は 2 つの member を持つ オブジェクト:

この配列は空のときでも存在して MUST、 空の配列は「効いていた policy が無い」という意味で MUST。この規則が無いと読み手は、 特別なものを何も要求しなかったページと、要求されたものを記録しないことにした 取り込みとを区別できません。同じパッケージについての、別の主張です。

順序は取り込みがパターンを評価した順であり、取り込みは 一致した最初の項目を適用して MUST。 順序を記録することが、複数のパターンが当たりうる URL について 「どの policy が適用されたのか」に読み手が答えられる根拠になります。

"urlPolicies": [
  { "pattern": "*://cdn.example.com/tracker.js", "action": "deny" },
  { "pattern": "*://cdn.example.com/*",          "action": "no-body" }
]

この例では tracker.js へのリクエストは一度も送られず、 同じホストの他のものは取得されて本文なしで記録されます。2 つを入れ替えると 取り込みがしたことが変わります —— 広いほうのパターンが先に当たり、 tracker は取得されます。

contentTypePolicies

contentTypePolicies は、prefix （応答のメディア型に当てる）と action を持つ項目の配列です。 この版が定める action は no-body のみ —— メディア型は応答が届いてからしか分からないので、deny は 適用できません。

この配列も、空のときでも存在して MUST。 理由は urlPolicies と同じです。

"contentTypePolicies": [
  { "prefix": "video/", "action": "no-body" }
]

Records of withheld requests

deny または no-archive の policy が適用された リクエストのそれぞれについて、パッケージは WARC の metadata レコード —— 以下 withheld request のレコード —— を MUST 含みます。その WARC-Target-URI はリクエストの URL で MUST、application/warc-fields の 本文は次を MUST 含みます:

WARC/1.1
WARC-Type: metadata
WARC-Target-URI: https://www.example-analytics.com/collect?v=2
WARC-Date: 2026-09-06T02:14:31.882Z
Content-Type: application/warc-fields
Content-Length: 112

action: deny
pattern: *://*.example-analytics.com/*
method: POST
resourceType: XHR

withheld request のレコードはレスポンスも本文も持ちません。主張しているのは、 ページがその URL を要求したこと、そしてこのプロファイルの producer が それについて何をするか決めたこと —— リクエストが失敗したという意味でも、 オリジンが何も返さなかったという意味でもありません。オリジンに到達 できなかった取り込みは、これをこの形で報告しては MUST NOT。

no-body の policy はこの種のレコードを生みません。 request / response のレコードは通常どおり書かれ、欠けている本文は 他の欠けている本文と同じ形で報告されます。

withheld request のレコードは、パッケージの CDXJ 索引に現れることを 要求されません。これを探す読み手は WARC を読みます。

Members

storage は profile、stage、 valuesRecorded、origins を 持たなければならない（MUST）。

• profile —— この member が従う規則。本仕様のこの版では値は "browserhive:storage/1" でなければならない（MUST）。 記録する内容や digest の計算方法を変えた producer は、この値を 変えなければならない（MUST）。
• stage —— 取り込みのどの時点で storage を読んだか。この版では値は "after-behaviors" でなければならない（MUST）。 stage が規範なのは、内容が変わるからです —— ページは動作しながら storage に書き込むので、behavior が走る前に読んだものと 後に読んだものは、別の状態を表します。
• valuesRecorded —— このパッケージが、下で定義するディレクトリに 保存されていた値も併せて運んでいるかどうか。 を参照。
• origins —— 取り込みが観測できた origin ごとに 1 つの項目を持つ配列。

Origin entries

各項目は origin を持たなければならない（MUST） —— 値は [[WACZ]] の enclosing document と同じ直列化形式、すなわち scheme・host、 および既定でない場合の port です。

web storage は origin ごとに区切られており、ページは日常的に自分以外の origin の 文書を埋め込みます —— 広告、計測のフレーム、埋め込みのプレイヤー。それらは それぞれ自分の storage を持ち、ページ自身の origin からは見えません。 したがってこれは「そのページの storage」の記録ではありません —— 取り込みが観測できた origin ごとに 1 項目であり、 第三者の origin の項目が在ることは異常ではなく想定どおりです。

そもそも storage を持てない origin —— about:blank の文書や data: URL のような opaque origin —— は記録するものが無いので 現れません。

各項目は、local と session の両方を持つか、あるいは unreadable という単一の member を値 true で持つかの いずれかでなければならない（MUST）。後者は「その origin の storage を 取り込みが読めなかった」という意味です。これは storage が空だった origin —— "keys": 0 の area として書かれる —— とは別です。 同じ形で記録すると、この member が取り除こうとしている曖昧さが戻ってきます。

ここの項目と storage/origins.jsonl の行は、1 つの記録の 2 つの半分です。項目はその origin の storage が どう見えたかを述べ —— 鍵がいくつ、何バイト、digest は何 —— 常に在ります。行は何が入っていたかを述べ、値を求められたときにだけ 在ります。どちらをパッケージが持っているかは valuesRecorded が 述べます。unreadable として記録された origin に行が無いのは、 行に入れるものが無いからです。

local と session はそれぞれ以下を 持たなければならない（MUST）。

• keys —— その area が保持していた鍵の数。
• bytes —— その area の合計の大きさ。すべての鍵と値の UTF-8 表現で数えます。browser 自身の quota 会計が使う UTF-16 コード単位ではありません。
• digest —— "sha256:" に続けて、その area の SHA-256 を 小文字の 16 進で。計算は、鍵をコードポイント順に並べ、各要素が key U+0000 value U+0000 を UTF-8 で寄与する形で行います。 並べ方と区切りは規範です —— これを決めないと同じ内容が別の digest になり、 取り込みをまたいで比較するという digest の目的が失われます。

digest を値へのコミットメントとして扱ってはならない（MUST NOT）。 値はしばしばエントロピーが低く —— フラグ、テーマ名、時刻 —— そのような digest は推測で容易に逆算できます。

Snapshot members

各行は profile・url・takenAt・ stage・tree を含まなければなりません （MUST）。

• profile —— その行が従う刈り込み規則。本仕様のこの版では、値は "browserhive:axtree/1" でなければなりません （MUST）。刈り込み規則を変える producer は、この値も 変えなければなりません（MUST）—— 読み手が、何が 捨てられたのかを言えるようにするためです。
• url —— そのスナップショットが記述するページ。
• takenAt —— 撮った時刻。[[RFC3339]] のタイムスタンプ。
• stage —— 取り込みのどの時点で撮ったか。この版では値は "after-behaviors" でなければなりません （MUST）。時点が規範的なのは、木が変わる からです。 autoscroll は lazy load を発火させるので、behavior の 前に撮った木と後に撮った木は、別のページを記述しています。
• tree —— ノードの配列。次節を参照。

各行はさらに devicePixelRatio・viewport・ nodes を持つべきです（SHOULD）—— 順に、そのスナップショットがどのパスのものか、効いていた viewport、そして 刈り込む前のノード数。最後の 1 つによって、読み手はどれだけ 捨てられたのかを見ることができます。

{
  "profile": "browserhive:axtree/1",
  "url": "https://www.iana.org/",
  "takenAt": "2026-08-22T02:55:56.759Z",
  "stage": "after-behaviors",
  "devicePixelRatio": 1,
  "viewport": { "width": 1280, "height": 800 },
  "nodes": 255,
  "tree": [
    {
      "role": "RootWebArea",
      "name": "Internet Assigned Numbers Authority",
      "children": [
        { "role": "heading", "name": "Domain Names", "level": 2 },
        { "role": "image", "name": "logo",
          "url": "https://www.iana.org/_img/iana-logo-header.svg" }
      ]
    }
  ]
}
    

読みやすさのため複数行で示しています。ファイル中では、各スナップショットは ちょうど 1 行を占めます。

Node shape

すべてのノードは role を持たなければなりません （MUST）。ノードは role・ name・level・url・checked・ expanded・disabled・required・ value・children 以外の member を持ってはなりません （MUST NOT）。

このうち 2 つは、他より重い意味を持ちます:

• level —— 見出しの深さ。これが無いと heading の ノードを互いに区別できず、この木が記録するために在る文書構造そのものが 失われます。
• url —— 画像やリンクが指す先。ノードと archive/ に 記録されたレスポンスを結ぶのはこれで、「ここに図があった」から「その図の バイト列」へ辿れるようになります。

値が無い・空・false の member は書いてはなりません （MUST NOT）。全ノードに既定値を書くと、それが囲んでいる 中身より嵩が大きくなります。

Pruning

browser が ignored と印を付けたノードは tree に現れてはなりません （MUST NOT）。その子は残し、最も近い残されたノードの 下に付けなければなりません（MUST）。

これが、隠されたテキストを記録に持ち込まないための仕掛けです。 aria-hidden や display: none で外された部分木は ignored なノードなので、そもそもこのファイルに届きません。したがって読み手は、 この木を「見えていたもの」の記述として扱えます —— WARC の 本文だけからは支えられない、より強い主張です。

role が generic・none・InlineTextBox の ノードも tree に現れてはならず（MUST NOT）、 その子は同じように残さなければなりません（MUST）。 これらの role はそれ自体では意味を持たず、残すと木の深さが倍になるだけで、 読み手が使えるものは何も増えません。

viewport の外にあることを理由にノードを落としてはなりません （MUST NOT）。エージェントにとっては妥当な判断です —— 見えないものは操作できないので。しかし、誰もスクロールしなかった部分を捨てた アーカイブは、そのページの記録ではありません。