Anubis项目中实现相对根URL配置的技术方案
背景介绍
Anubis是一款开源的反爬虫和DDoS防护中间件,通常部署在Web服务器前端作为保护层。在实际部署场景中,很多用户需要将Anubis部署在非根路径下,例如将Anubis部署在/gitweb这样的子路径中。然而,原始版本的Anubis在设计上存在一个限制:静态资源文件(.within.website目录下的文件)总是从根路径加载,这给子路径部署带来了不便。
问题分析
当用户尝试在子路径(如/gitweb)部署Anubis时,会遇到以下技术挑战:
-
静态资源路径固定:Anubis的前端资源(JavaScript、CSS等)硬编码为从根路径/.within.website加载,无法自动适应子路径部署。
-
代理配置复杂:用户不得不为静态资源额外配置代理规则,增加了部署复杂度。
-
挑战页面URL不确定性:由于挑战页面可能出现在网站的任何URL上,简单的相对路径方案无法满足需求。
解决方案
项目团队通过引入BASE_PREFIX配置参数解决了这一问题。该方案的核心要点包括:
-
新增命令行参数和环境变量:添加了--base-prefix参数和对应的BASE_PREFIX环境变量,允许用户指定基础路径前缀。
-
资源路径动态生成:前端资源路径不再硬编码为/.within.website,而是基于配置的BASE_PREFIX动态生成(如/gitweb/.within.website)。
-
后端路由适配:确保所有API端点和重定向逻辑都能正确处理配置的基础路径前缀。
实现细节
在技术实现上,主要进行了以下修改:
-
配置系统扩展:在配置结构中新增BasePrefix字段,用于存储用户指定的基础路径。
-
资源URL构建:修改资源URL生成逻辑,确保静态资源、API端点和重定向URL都包含配置的基础路径。
-
前端适配:更新前端代码,使其能够正确处理动态生成的基础路径。
部署示例
用户可以通过以下方式配置Anubis在子路径下运行:
anubis-nginx:
image: anubis:latest
environment:
BIND: ":3334"
TARGET: "http://backend-service"
BASE_PREFIX: "/gitweb"
这种配置下,Anubis会自动将所有资源路径调整为以/gitweb为前缀,无需额外的代理规则。
技术意义
这一改进具有以下技术价值:
-
部署灵活性提升:支持更复杂的部署场景,特别是反向代理和多服务共存的环境。
-
配置简化:消除了为静态资源单独配置代理的需求,降低了部署复杂度。
-
架构解耦:使Anubis能够更好地适应各种Web服务器配置和路由方案。
总结
Anubis项目通过引入基础路径前缀配置,解决了在子路径部署时的资源加载问题。这一改进体现了项目团队对实际部署场景的深入理解,也展示了良好的架构扩展性。对于需要在非根路径部署Web安全中间件的用户来说,这一功能提供了极大的便利。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00