uBlacklist项目中的Google图片搜索结果过滤问题解析
背景介绍
uBlacklist是一款流行的浏览器扩展程序,主要用于过滤搜索引擎结果中的特定网站。用户可以通过设置黑名单规则,在搜索结果中隐藏不希望看到的网站内容。该扩展支持多种主流搜索引擎,包括Google、Bing、DuckDuckGo等。
问题描述
近期有用户反馈,在Google搜索的"All"(全部)结果页面中,图片建议框中的内容未能被uBlacklist正确过滤。具体表现为:即使用户已将某些网站(如prompthunt.com)加入黑名单,这些网站的图片仍然会出现在搜索结果顶部的图片建议框中。
技术分析
原有过滤机制
uBlacklist原本已经实现了对Google搜索结果中"Images"(图片)标签页的完整过滤功能。这一功能通过监听页面DOM变化,匹配搜索结果中的URL与用户设置的黑名单规则来实现过滤。
新发现的问题区域
问题出现在Google搜索的"All"结果页面的图片建议框区域。这个区域与专门的图片搜索页面的实现方式不同,导致原有的过滤规则无法生效。更复杂的是,当用户点击"加载更多图片"按钮时,新加载的图片内容也会绕过过滤机制。
解决方案探索
开发团队经过分析发现,Google搜索结果页面采用了动态内容加载技术。传统的DOM监听方法在处理这种动态内容时存在局限性,特别是对于异步加载的内容部分。
技术实现
pagerHandlers机制
uBlacklist项目中引入了一个名为pagerHandlers的重要机制。这一机制专门用于处理搜索引擎结果页面中的动态内容加载情况。它能够:
- 监控页面滚动和内容加载事件
- 捕获新加载的DOM元素
- 对这些元素应用相同的过滤规则
具体实现方案
针对Google图片建议框的过滤问题,开发团队:
- 扩展了现有的Google搜索处理逻辑
- 添加了对"All"页面中图片建议框的特殊处理
- 确保动态加载的图片内容也能被正确过滤
技术挑战
在解决这个问题的过程中,开发团队面临的主要挑战包括:
- Google搜索结果页面的复杂DOM结构
- 动态内容加载的不确定性
- 保持过滤性能的同时确保全面覆盖
- 避免与其他浏览器扩展产生冲突
解决方案效果
通过引入对pagerHandlers机制的充分利用,uBlacklist 8.7.0版本成功解决了这一问题。现在,无论是初始加载的图片建议,还是后续动态加载的更多图片结果,都能被正确过滤。
总结
这个案例展示了现代Web应用中动态内容处理的技术挑战,以及如何通过创新的解决方案来应对这些挑战。uBlacklist项目通过不断优化其过滤机制,为用户提供了更加完善的搜索体验控制能力。这也体现了开源项目通过社区反馈不断完善自身功能的典型过程。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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