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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C050
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0126
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00