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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
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