crab-hole 的安装和配置教程
项目基础介绍
crab-hole 是一个用 Rust 编写的跨平台 Pi-hole 克隆项目。它可以作为网络范围内的广告和恶意软件屏蔽工具,或者在你的个人电脑上运行。crab-hole 支持多种安全通信协议,如 DNS-over-HTTPS (DOH)、DNS-over-QUIC (DOQ) 和 DNS-over-TLS (DOT),同时为上游提供 DNSSEC 支持。此外,它还配备了隐私友好的默认日志设置。
项目使用的关键技术和框架
该项目主要使用 Rust 语言编写,利用了 hickory-dns 和 trust-dns 这两个库来实现 DNS 相关的功能。Rust 语言以其安全性和性能而闻名,是系统编程的首选语言之一。hickory-dns 和 trust-dns 是处理 DNS 查询和解析的常用框架。
项目安装和配置的准备工作
在开始安装 crab-hole 前,请确保你的系统已经安装了 Rust 编程语言环境。Rust 的安装可以通过官方的 rustup 工具来进行。
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
安装完成后,确保将 Rust 的 cargo 工具的路径添加到系统的环境变量中。
source $HOME/.cargo/env
安装步骤
1. 克隆项目
首先,需要从 GitHub 上克隆 crab-hole 项目到本地。
git clone https://github.com/LuckyTurtleDev/crab-hole.git
cd crab-hole
2. 构建项目
在项目目录中,使用 cargo 来构建项目。
cargo install crab-hole --locked
确保 ~/.cargo/bin 路径已经添加到系统的 PATH 环境变量中,这样你就可以在命令行中直接运行 crab-hole 命令。
3. 配置项目
在项目目录中,应该有一个名为 config.toml 的配置文件。你需要根据实际情况修改此文件中的设置。以下是一个基本的配置示例:
[blocklist]
include_subdomains = true
lists = [
"https://raw.githubusercontent.com/StevenBlack/hosts/master/alternates/fakenews-gambling-porn/hosts",
"https://s3.amazonaws.com/lists.disconnect.me/simple_tracking.txt",
"file:///blocked.txt"
]
[allow_list]
lists = [
"file:///allowed.txt"
]
[api]
port = 8080
listen = "127.0.0.1"
show_doc = true
[downstream]
protocol = "udp"
listen = "localhost"
port = 8080
[downstream]
protocol = "udp"
listen = "::"
port = 8053
[downstream.tls]
listen = "::"
port = 8054
certificate = "dns.example.com.crt"
key = "dns.example.com.key"
[downstream.quic]
listen = "127.0.0.1"
port = 8055
certificate = "dns.example.com.crt"
key = "dns.example.com.key"
dns_hostname = "dns.example.com"
请注意,你需要用自己的证书和密钥替换 certificate 和 key 字段的值。
4. 运行项目
配置完成后,你可以在命令行中直接运行以下命令来启动 crab-hole 服务。
crab-hole
如果需要检查配置文件的语法是否正确,可以使用以下命令来进行验证。
crab-hole validate-config
如果配置文件中没有语法错误,服务将会启动,并且你可以在浏览器中访问配置的 API 端口(例如 http://127.0.0.1:8080)来查看服务的状态和统计信息。
以上就是 crab-hole 的安装和配置指南,希望对初学者有所帮助。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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