MALSync项目在Firefox MV3扩展中的Jellyfin兼容性问题分析
问题背景
MALSync是一款流行的浏览器扩展,用于同步用户在不同媒体平台上的观看进度。在项目升级到Manifest V3版本后,开发团队发现了一个与Jellyfin媒体服务器集成的兼容性问题:在Firefox浏览器上无法正常工作,而在Chrome浏览器上则表现正常。
问题现象
当用户在Firefox上使用MALSync与Jellyfin交互时,控制台会出现以下错误信息:
MAL-Sync Api Call http://192.168.1.230:8096/System/Info?api_key=[REDACTED]
uncaught exception: NetworkError when attempting to fetch resource.
技术分析
1. CORS与权限问题
在Manifest V3中,Firefox对扩展的网络请求实施了更严格的CORS(跨域资源共享)策略。即使扩展已经获得了<all_urls>或特定域名的权限,请求仍可能因CORS限制而失败。
2. HTTP与HTTPS协议差异
深入调查发现,虽然Jellyfin服务器配置为HTTP协议,但Firefox扩展中的XHR请求被自动升级为HTTPS。这种自动升级行为源于Firefox MV3扩展的默认内容安全策略(CSP)中包含upgrade-insecure-requests指令。
3. 浏览器实现差异
Chrome和Firefox在MV3扩展的默认CSP策略上存在差异:
- Firefox默认包含
"script-src 'self'; upgrade-insecure-requests;" - Chrome则没有
upgrade-insecure-requests指令
解决方案
1. 修改内容安全策略
通过在manifest.json中显式定义内容安全策略,覆盖默认设置:
"content_security_policy": {
"extension_pages": "script-src 'self'; object-src 'self';"
}
这种修改移除了upgrade-insecure-requests指令,允许扩展继续使用HTTP协议与本地Jellyfin服务器通信。
2. 替代实现方案
作为临时解决方案,开发人员发现将XHR调用替换为fetch API也能解决问题:
// 原XHR实现
return api.request.xhr('GET', url).then(res => {
JSON.parse(response.responseText);
});
// 修改为fetch实现
return fetch(url).then(async res => {
await response.json();
});
技术启示
-
浏览器兼容性考量:即使是遵循相同规范(MV3)的扩展,在不同浏览器上的实现细节可能存在差异,需要特别关注。
-
本地服务集成:与本地网络服务集成时,HTTP协议的使用仍然很常见,扩展设计需要考虑这种使用场景。
-
安全策略影响:内容安全策略不仅影响页面内容加载,也会影响扩展的网络请求行为。
-
调试技巧:使用Firefox的
about:debugging页面可以有效地诊断扩展的网络请求问题。
最佳实践建议
-
在开发跨浏览器扩展时,应尽早在不同浏览器上测试核心功能。
-
对于需要与本地服务通信的扩展,建议在manifest中明确定义内容安全策略。
-
考虑使用更现代的fetch API替代传统的XHR,以获得更好的兼容性和可维护性。
-
在错误处理中,应明确区分网络错误、CORS错误和协议错误,以便更快定位问题。
这个问题展示了浏览器扩展开发中可能遇到的微妙兼容性问题,也提醒开发者在升级到新规范时需要全面测试各项功能。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0196
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07