Jackett项目中的YggTorrent和YggCookie索引器URL变更解析
背景介绍
Jackett是一个开源的资源聚合工具,它可以将来自多个私有和公共资源网站的搜索结果转换为兼容的格式,供各种下载客户端使用。在Jackett项目中,YggTorrent和YggCookie是两个重要的索引器定义文件,它们负责与YggTorrent网站进行交互。
问题发现
近期,YggTorrent网站进行了域名变更,从原先的https://www.ygg.re迁移到了新的域名https://www.yggtorrent.top。这一变更导致了使用旧域名的Jackett索引器无法正常工作,返回"Indexer Disabled"错误。
技术分析
在Jackett的索引器定义文件中,URL配置是核心组成部分。每个索引器定义文件(yggcookie.yml和yggtorrent.yml)中都包含了以下关键配置项:
- links:定义当前有效的网站URL
- legacylinks:保留历史使用过的URL,用于兼容性检查
此次变更需要同时修改这两个文件中的links配置,将新域名添加为主URL,同时将旧域名移至legacylinks列表中,以确保向后兼容。
解决方案
正确的修改方式应包括:
- 在links部分更新为新域名
https://www.yggtorrent.top/ - 将旧域名
https://www.ygg.re/移至legacylinks部分 - 保持其他legacylinks不变,以确保历史兼容性
实现细节
在YAML配置文件中,变更主要体现在以下部分:
links:
- https://www.yggtorrent.top/
legacylinks:
- http://www2.yggtorrent.si/
- https://www2.yggtorrent.si/
# ...其他历史域名...
- https://www.ygg.re/
这种修改方式既保证了新域名的使用,又保留了旧域名的兼容性检查,确保用户在不同情况下都能正常使用索引器。
版本更新
该变更已在Jackett v0.22.1685版本中发布。用户可以通过更新Jackett来获取最新的索引器配置。由于Jackett采用定期发布机制,更新可能需要等待下一个发布周期才能生效。
总结
对于依赖外部网站的索引器来说,域名变更是常见的情况。Jackett通过灵活的配置设计和legacylinks机制,能够很好地应对这类变更。用户遇到索引器失效问题时,可以首先检查是否发生了域名变更,并及时更新Jackett版本或手动修改索引器配置。
对于开发者而言,这种变更也提醒我们在设计类似系统时,应该考虑加入域名变更的容错机制,比如自动检测可用域名或提供更灵活的重定向处理。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00