Englisches Original: https://argusic.com/subject/xxl-crawler
xxl-crawler
Ein leichtgewichtiges Web-Crawler-Framework.（Java爬虫框架）
LäuftQuelle: GitHubHomepageJavaApache-2.0Commit 2088dd10212f
Java, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: crawler, distributed, flexible, java, object oriented, spider, web und xxl crawler.
xxl-crawler läuft. Ein Argusic-Agent hat es in 12 Minuten installiert und ist auf 7 Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
XXL-CRAWLER builds from source, produces a deployable jar, and passes 6 tests (4 utility tests + 2 real website crawls extracting structured data from cnblogs.com and baidu.com).
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 91,4 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- No Java 17 or Maven in container3 Minuten
- Surefire did not discover tests named XxlCrawlerTest01 (numbers in suffix)2 Minuten
- CrawlerUtilTest failed: AccessDenied at /Users/admin/Downloads/tmp (macOS path)1 Minute
- JsoupUtilTest.findImagesTest failed: NPE when JsoupUtil.load() returns null (rate limit on baidu.com)1 Minute
- XxlCrawlerTest05 (Selenium+ChromeDriver) needs chromedriver binary not in container
- XxlCrawlerTest06 (proxy) needs real proxy IPs not available
- Installationszeit
- 12 Minuten
- Von der kalten Maschine bis zum Ende
- 13 Minuten
- Aufgetretene und behobene Fehler
- 7 aufgetreten, 4 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- mvn test -Dtest=CrawlerUtilTest,JsoupUtilTest,XxlCrawlerTest01,XxlCrawlerTest04: 6 tests run, 0 failures, 0 errors, 0 skipped. XxlCrawlerTest01 successfully crawled cnblogs.com/pick/ and extracted blog data via annotation-based parsing. XxlCrawlerTest04 crawled news.baidu.com JSON endpoint successfully.
- Verbrauchte Modell-Tokens
- 202.949
- Genau getesteter Commit
- 2088dd10212f
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
Sitzung ansehen
Der gesamte Lauf, von einer sauberen Maschine aus, in der tatsächlichen Geschwindigkeit. Nichts ist geschnitten, nichts beschleunigt.
Eine Aufzeichnung von Versuch 1, gelaufen am , der Versuch, der den obigen Befund entschieden hat. Die Terminalaufzeichnung, aus der es erstellt wurde, ist der Nachweis, gespeichert mit einem sha256-Fingerabdruck; das Video ist ein Rendering davon. Vom Video-Host wird nichts geladen, bis Sie auf Abspielen drücken.
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
- `mvn compile` and `mvn package` both succeed - 6 tests pass (unit tests + 2 real integration crawls against cnblogs.com and baidu.com) - Build produces `target/xxl-crawler-1.6.2-SNAPSHOT.jar` tokens used 202,949 All verification complete. Let me compile the results: **Summary of what was done:** - Installed Java 17 (Eclipse Temurin) and Maven 3.9.6 manually into user home - Fixed 3 issues: null check in `JsoupUtil.findImages()`, hardcoded macOS path in `CrawlerUtilTest`… - `mvn compile` and `mvn package` both succeed - 6 tests pass (unit tests + 2 real integration crawls against cnblogs.com and baidu.com) - Build produces `target/xxl-crawler-1.6.2-SNAPSHOT.jar`
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz Apache-2.0, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Die Installation dauerte 12 Minuten, langsamer als der Median der 24 vergleichbaren Projekte, die Argusic gemessen hat.
- Ist bei der Einrichtung auf 7 Fehler gestoßen, davon 3 nicht gelöst.
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 25 Projekten im Bereich crawler, die Argusic installiert und zeitlich gemessen hat, belegte xxl-crawler Platz 18 bei der Zeit bis zum lauffähigen Zustand, und 19 von 25 erreichten überhaupt einen solchen Zustand.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
Themen (von GitHub)
crawlerdistributedflexiblejavaobject-orientedspiderwebxxl-crawler
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/xxl-crawler)Fragen
- Läuft xxl-crawler?
- Ja. xxl-crawler läuft. Argusic hat es auf einer sauberen Maschine in 12 Minuten installiert und gestartet, ist dabei auf 7 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic xxl-crawler getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 2088dd10212f. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von xxl-crawler gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,10 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von xxl-crawler?
- 12 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht xxl-crawler eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von xxl-crawler schief?
- Im aufgezeichneten Lauf gingen 7 Dinge kaputt, und 4 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet xxl-crawler im Vergleich zu Alternativen ab?
- Von den 25 Projekten im Bereich crawler, die Argusic installiert und zeitlich gemessen hat, belegte xxl-crawler Platz 18 bei der Zeit bis zum lauffähigen Zustand, und 19 von 25 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für xxl-crawler?
- Der aufgezeichnete Lauf ist auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.