Original en inglés: https://argusic.com/subject/news-crawl
news-crawl
Rastreo de noticias con StormCrawler - almacena contenido como WARC
Funciona con mocksfuente: GitHubJavaApache-2.0commit 8c08c28f67f2
Java, licencia Apache-2.0. El proyecto se describe a sí mismo como: apache storm, common crawl, commoncrawl, crawler, news, storm crawler, warc y web crawler.
news-crawl funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 25 minutos y encontró 5 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
The NewsCrawlBootstrap topology runs in Storm LocalCluster against local mocks, detects the RSS feed, acks status updates to OpenSearch, and writes a gzip-valid WARC containing fetched feed content; mvn clean package and all 10 unit tests pass.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 92 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Aggregations parse failures: unknown field partition / Could not parse aggregation keyed as [partition]8 minutos
- No system root; java/Hadoop native libs unavailable via PATH3 minutos
- OpenSearch bulk response parse NPE (bir is null) in StatusUpdaterBolt2 minutos
- Search response NPE: TotalHits.relation was null2 minutos
- Mock returned 501 for HEAD /status (index-existence check)1 minuto
- Tiempo de instalación
- 25 minutos
- De máquina en frío a terminar
- 69 minutos
- Errores encontrados y corregidos
- 5 encontrados, 5 corregidos sin ayuda humana
- Cómo se demostró el resultado
- mvn test exited 0 (2+2+6=10 tests, 0 failures/errors); mvn clean package exited 0 and rebuilt target/crawler-3.7.0.jar; topology run finished EXIT=0 with 0 ERROR lines, logged 'FeedDetectedBolt - Feed detected from content: http://127.0.0.1:18080/feed.xml' and 'StatusUpdaterBolt - Bulk response [1] : acked 2/3 failed 0', and gzip -v -t of CC-NEWS-BOOTSTRAP-20261023022234-00000.warc.gz returned OK with zcat showing WARC-Type: resource records.
- Tokens de modelo usados
- 9.289.729
- Commit exacto probado
- 8c08c28f67f2
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
}
print(\"ARGUSIC_RESULT:\" + json.dumps(result, separators=(\",\", \":\")))
EOF" in /work/repo
succeeded in 0ms:
```json
{"install_succeeded": true, "launch_succeeded": true, "install_minutes": 25, "errors": [{"msg": "Op…
```
tokens used
9,289,729
```json
{"install_succeeded": true, "launch_succeeded": true, "install_minutes": 25, "errors": [{"msg": "Op…
```Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 25 minutos.
- Se recuperó de los 5 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 1,90 |
Temas (de GitHub)
apache-stormcommon-crawlcommoncrawlcrawlernewsstorm-crawlerwarcweb-crawler
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/news-crawl)Preguntas
- ¿Funciona news-crawl?
- news-crawl funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 25 minutos, con 5 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic news-crawl?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 8c08c28f67f2. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar news-crawl?
- La ejecución que produjo este veredicto costó 1,90 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda news-crawl en instalarse?
- 25 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita news-crawl una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar news-crawl?
- En la ejecución registrada fallaron 5 cosas, y 5 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Dónde está la evidencia de news-crawl?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.