Animation Garden项目中通用CSS Selector数据源路径处理问题分析
问题背景
Animation Garden项目在处理本地资源库时,通过通用CSS Selector数据源功能添加自定义数据源时遇到了相对路径解析问题。该问题表现为当用户使用本地HTTP服务器(如Python的http.server或Caddy的file_server)托管资源时,软件生成的播放路径与实际可播放路径不一致。
问题现象
用户资源库结构如下:
.
├── 结缘甘神神社 (2024) [tmdbid=234910]
│ ├── 结缘甘神神社 S01E01.mkv
│ ├── 结缘甘神神社 S01E02.mkv
│ ├── 结缘甘神神社 S01E03.mkv
│ └── 结缘甘神神社 S01E04.mkv
└── 青之箱 (2024) [tmdbid=207347]
├── 青之箱 S01E01.mp4
├── 青之箱 S01E02.mp4
├── 青之箱 S01E03.mp4
├── 青之箱 S01E04.mp4
└── 青之箱 S01E05.mp4
软件生成的播放路径为:
http://192.168.2.1:8000/%E7%BB%93%E7%BC%98%E7%94%98%E7%A5%9E%E7%A5%9E%E7%A4%BE%20S01E01.mkv
而实际可播放路径应为:
http://192.168.2.1:8000/%E7%BB%93%E7%BC%98%E7%94%98%E7%A5%9E%E7%A5%9E%E7%A4%BE%20%282024%29%20%5Btmdbid%3D234910%5D/%E7%BB%93%E7%BC%98%E7%94%98%E7%A5%9E%E7%A5%9E%E7%A4%BE%20S01E01.mkv
技术分析
当前实现的问题
当前代码从输入的"搜索链接"中提取协议、主机和端口部分作为baseUrl,然后将获取的href与baseUrl简单拼接。这种处理方式忽略了相对路径的上下文关系,导致路径解析错误。
例如:
- 当前页面:
https://example.com/video/ - 页面中的href:
./aaabbb/ - 正确结果应为:
https://example.com/video/aaabbb/ - 当前实现结果:
https://example.com/aaabbb/
解决方案探讨
-
URL解析改进: 正确的做法应该是基于当前页面的完整URL来解析相对路径,而不是简单地拼接baseUrl和相对路径。可以使用标准的URL解析库来处理这种关系。
-
多平台兼容性考虑: 由于项目需要支持多平台,不能直接使用Java平台的java.net.URI类。可以考虑使用Ktor框架中的io.ktor.http.Url类来实现跨平台的URL解析。
-
baseUrl保留的必要性: 虽然baseUrl在相对路径处理中存在一些问题,但它在项目中仍有重要作用,不能简单地移除。需要找到既能保留baseUrl功能又能正确处理相对路径的解决方案。
技术实现建议
建议采用以下方式改进URL解析逻辑:
- 在解析相对路径时,使用当前页面的完整URL作为基准URL
- 使用标准的URL解析算法处理相对路径
- 对于多平台支持,可以使用Ktor的URL处理功能
示例实现思路:
import io.ktor.http.*
fun computeAbsoluteUrl(baseUrl: String, relativeUrl: String): String {
return URLBuilder(baseUrl).takeFrom(relativeUrl).buildString()
}
兼容性考虑
由于这是一个可能影响现有功能的重大变更,需要考虑以下方面:
- 向后兼容性:确保不影响现有配置和数据源
- 渐进式改进:可以考虑分阶段实施改进
- 测试覆盖:需要增加针对相对路径处理的测试用例
总结
Animation Garden项目在处理本地资源库的相对路径时存在解析错误,这主要是由于URL拼接逻辑不够完善导致的。通过引入标准的URL解析算法,并考虑多平台兼容性,可以有效地解决这个问题。同时,在改进过程中需要谨慎处理兼容性问题,确保不影响现有功能。
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