Heritrix3 3.10.0版本发布:浏览器模拟抓取与现代化升级
Heritrix3作为互联网档案馆(Internet Archive)开发的开源网络爬虫框架,在3.10.0版本中带来了多项重要更新,特别是新增的浏览器模拟抓取功能,标志着这个老牌爬虫工具开始拥抱现代Web技术。本文将深入解析这次更新的技术亮点及其应用价值。
浏览器模拟抓取:突破传统爬虫限制
3.10.0版本最引人注目的新特性是BrowserProcessor模块,它通过本地浏览器(Firefox/ChromeDriver)加载页面并记录所有浏览器请求。这一创新解决了传统爬虫在处理JavaScript动态内容时的局限性。
该模块基于WebDriver BiDi协议实现浏览器自动化,采用Jetty的ProxyHandler和FetchHTTP2模块构建录制代理。技术实现上,它能够:
- 完整记录浏览器发起的各类请求(包括XHR、fetch等)
- 支持可插拔的行为扩展(如页面滚动、链接提取等)
- 处理现代Web应用中的复杂交互场景
虽然目前该功能在小型爬取中表现良好,但开发者指出仍需加强错误处理机制,特别是应对浏览器崩溃和资源限制的情况。这为后续版本的发展指明了方向。
安全与协议支持增强
在安全认证方面,3.10.0新增了Basic认证支持,用户可通过--web-auth basic
命令行参数切换认证方式。这一改进特别适合将Heritrix部署在反向代理后的场景,方便与外部认证系统集成。
对于爬虫核心的robots.txt解析,新版本实现了RFC 9309标准中的*
和$
通配符规则,使爬虫能更准确地遵守网站的爬取政策。同时,FetchHTTP2模块新增了网络访问支持,增强了网络访问的灵活性。
技术架构现代化改造
本次更新继续推进了Heritrix的技术栈现代化:
-
编辑器升级:配置编辑器和脚本控制台从CodeMirror 2升级到6,解决了浏览器兼容性问题,恢复了可靠的全文搜索功能。
-
依赖清理:移除了陈旧的Apache HttpClient 3,开发者需注意相关类引用需要更新为新的替代实现。同时保留了Apache HttpClient 4,确保了兼容性过渡。
-
稳定性改进:优化了BDB(Berkeley DB)关闭时的中断处理逻辑,减少了在多次调用requestCrawlStop()时环境失效的可能性。
开发者生态与未来展望
从版本更新可以看出Heritrix3项目正在积极适应现代Web技术的发展:
- 浏览器自动化功能的引入使其能够应对SPA等现代Web应用
- 持续的基础设施现代化改造提升了开发体验
- 协议支持的完善保持了其作为专业爬虫的合规性
对于开发者而言,需要注意自定义模块中可能涉及的API变更,特别是HttpClient 3相关类的替换。新加入的浏览器抓取功能虽然强大,但在生产环境大规模应用前还需进一步测试和优化。
总的来说,3.10.0版本标志着Heritrix3在保持其高可靠性、高可配置性特点的同时,开始拥抱现代Web技术,为未来的发展奠定了良好基础。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0286Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









