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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00