Fess 15.0.0 发布:全面支持 OpenSearch 3.0 的企业级搜索引擎升级
Fess 是一个基于 Java 的开源企业搜索引擎,它提供了强大的全文检索功能和灵活的文档爬取能力。作为一个独立于数据库的搜索解决方案,Fess 能够轻松集成到各种企业环境中,帮助用户快速构建高性能的搜索服务。最新发布的 Fess 15.0.0 版本标志着该项目的一个重要里程碑,它不仅全面支持 OpenSearch 3.0,还在用户体验、系统架构和安全性方面做出了显著改进。
OpenSearch 3.0 深度集成
Fess 15.0.0 最核心的升级是对 OpenSearch 3.0 的全面支持。OpenSearch 作为 Elasticsearch 的分支,在 3.0 版本中引入了多项性能优化和新特性。Fess 团队为此进行了深度适配:
-
插件兼容性重构:专门为 OpenSearch 3.0 开发了
opensearch-analysis-fess插件,确保分词和分析功能的无缝衔接。 -
API 层重构:重写了与 OpenSearch 交互的底层 API,充分利用 OpenSearch 3.0 的新特性,如改进的聚合功能和安全性增强。
-
包结构调整:将内部代码中所有与 Elasticsearch 相关的包引用更新为 OpenSearch 对应版本,确保长期兼容性。
现代化用户界面升级
Fess 15.0.0 在前端技术栈上进行了全面革新:
-
框架升级:采用 Bootstrap 5.3 和 AdminLTE 3.2 构建管理界面,jQuery 升级至 3.7.1 版本,提供了更现代的 UI 组件和交互体验。
-
无障碍访问:全面增强了对屏幕阅读器等辅助技术的支持,包括完善的 ARIA 属性和语义化 HTML 结构。
-
打印优化:重新设计了搜索结果打印视图,确保打印输出的可读性和专业性。
-
云环境适配:改进了索引设置界面,特别优化了在 AWS 等云环境下的显示和配置体验。
系统架构与性能优化
在系统架构层面,Fess 15.0.0 进行了多项重要改进:
-
配置管理增强:为
fess_config.properties文件添加了详尽的注释说明,使系统配置更加透明易懂。 -
代码清理:移除了大量已弃用的代码和过时的管理接口升级路径,使代码库更加精简高效。
-
RESTful API 规范化:重构了管理 API 的 HTTP 方法使用,使其更加符合 REST 设计原则。
-
构建系统优化:解决了 Maven 构建过程中的各种警告,并减少了不必要的日志输出。
爬虫与日志系统改进
作为搜索引擎的核心组件,爬虫和日志系统得到了重点优化:
-
URL 爬取策略:新增了 URL 爬取顺序配置选项,允许管理员根据业务需求调整爬取优先级。
-
HTML 解析增强:改进了 HTML 链接提取算法,支持基于标签属性的更精细控制。
-
序列化优化:引入 Kryo 序列化框架处理爬虫临时数据,显著提高了数据处理效率。
-
日志处理:优化了搜索日志队列和批处理机制,同时增强了异常日志的详细信息记录。
安全性与集成能力提升
Fess 15.0.0 在安全性方面做出了多项改进:
-
响应头控制:通过
HttpHeaderSecurityFilter实现了可配置的 HTTP 安全头设置,增强了抵御常见 Web 攻击的能力。 -
LDAP 集成:新增了对
sAMAccountName属性的支持,使 Active Directory 集成更加灵活。 -
请求处理加固:改进了请求验证机制,并通过
DataSerializer增强了数据序列化的安全性。
开发与部署环境更新
为保持技术栈的现代性,Fess 15.0.0 更新了基础运行环境要求:
-
Java 21 支持:全面适配最新的 Java LTS 版本,利用现代 JVM 特性提升性能。
-
Tomcat 10.1 兼容:确保与最新应用服务器版本的兼容性。
-
CI/CD 升级:更新了 GitHub Actions 工作流,测试环境现在包括 macOS 14 等最新平台。
升级建议与展望
Fess 15.0.0 作为一个重要版本更新,建议现有用户进行规划升级。特别是那些计划迁移到 OpenSearch 3.x 系列的用户,这个版本提供了完美的过渡路径。开发团队建议用户在升级前:
-
仔细阅读新版配置文件注释,了解新增配置项和变更项。
-
测试环境先行验证,特别是自定义插件和爬取规则的兼容性。
-
评估 Java 21 运行环境的需求,确保生产环境兼容性。
展望未来,Fess 项目将继续沿着现代化企业搜索解决方案的方向发展,在云原生支持、AI 增强搜索和更精细的权限控制等方面持续创新。Fess 15.0.0 为这一发展路线奠定了坚实的基础。
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