Speedtest Tracker项目实现服务器黑名单功能的技术解析
背景介绍
在网络测速工具Speedtest Tracker的开发过程中,开发者发现现有的Ookla Speedtest CLI工具已经移除了--exclude参数功能,这导致用户无法主动排除某些不理想的测速服务器。针对这一需求,项目决定实现一个"服务器黑名单"功能,让用户能够自主选择排除某些不希望使用的测速节点。
技术实现方案
服务器列表获取方式
经过技术调研,项目团队确定了两种可行的服务器列表获取方案:
-
使用CLI内置命令:通过执行
speedtest --servers --format=json命令,可以获取Ookla算法认为"最适合用户"的服务器列表。这个列表是经过Ookla服务器选择算法优化排序后的结果。 -
直接调用API接口:通过访问
www.speedtest.net/api/js/serversAPI端点,同样可以获取服务器列表,但测试发现这种方式获取的列表与CLI命令结果存在一定差异。
经过评估,方案1被确定为更优选择,因为:
- 它很可能与CLI工具内部使用的服务器选择逻辑一致
- 返回结果已经经过优化排序
- 不需要额外的API调用处理
黑名单功能实现流程
完整的黑名单功能实现将遵循以下技术流程:
- 获取初始服务器列表:调用CLI命令获取本地可用服务器列表,结果按Ookla算法排序
- 应用黑名单过滤:从列表中移除用户配置的黑名单服务器
- 选择最优服务器:选取过滤后列表中的第一个服务器(即剩余服务器中最优选择)
- 执行测速操作:使用选定的服务器进行实际测速
技术细节分析
服务器列表数据结构
从CLI获取的JSON格式服务器信息包含以下关键字段:
{
"id": 56485,
"host": "example.nj.speedtest.example.com",
"port": 8080,
"name": "Example",
"location": "Example, NJ",
"country": "United States"
}
值得注意的是,虽然--selection-details参数会显示服务器延迟信息,但常规的--servers命令输出中并不包含延迟数据。不过,这并不影响功能实现,因为服务器列表本身已经按照Ookla的优化算法排序。
服务器选择算法
测试发现,服务器列表的排序并非单纯基于延迟,而是综合考虑了多种因素:
- 网络延迟(latency)
- 服务器负载
- 地理位置
- 网络路径质量等
这种复合排序算法确保了即使用户排除了某些服务器,剩余列表中的第一个服务器仍然是相对最优的选择。
用户体验优化
该功能的实现将显著提升用户体验:
- 用户可以主动排除已知性能不佳的服务器
- 系统会自动选择剩余服务器中的最优选项
- 整个过程对用户透明,无需复杂配置
- 随着网络环境变化,系统会自动适应新的最优服务器选择
未来扩展方向
虽然当前实现已经满足基本需求,但仍有进一步优化的空间:
- 增加图形化界面配置黑名单功能
- 实现基于历史测速数据的智能服务器推荐
- 支持多黑名单策略(按地区、运营商等分类)
- 增加服务器性能评分系统
总结
Speedtest Tracker通过实现服务器黑名单功能,为用户提供了更精准的测速体验。该方案巧妙地利用了Ookla CLI现有的服务器选择机制,通过前置过滤的方式实现了服务器排除功能,既保证了测速结果的准确性,又提供了用户期待的灵活性。这一功能的加入使得Speedtest Tracker在网络性能监测工具中更具竞争力。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00