Original en inglés: https://argusic.com/subject/xxl-crawler
xxl-crawler
Un framework ligero de web crawler.（Java爬虫框架）
Funcionafuente: GitHubsitio webJavaApache-2.0commit 2088dd10212f
Java, licencia Apache-2.0. El proyecto se describe a sí mismo como: crawler, distributed, flexible, java, object oriented, spider, web y xxl crawler.
xxl-crawler funciona. Un agent de Argusic lo instaló en 12 minutos y encontró 7 errores en una máquina limpia sin GPU, y toda la sesión quedó grabada.
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).
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 91,4 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.
- No Java 17 or Maven in container3 minutos
- Surefire did not discover tests named XxlCrawlerTest01 (numbers in suffix)2 minutos
- CrawlerUtilTest failed: AccessDenied at /Users/admin/Downloads/tmp (macOS path)1 minuto
- JsoupUtilTest.findImagesTest failed: NPE when JsoupUtil.load() returns null (rate limit on baidu.com)1 minuto
- XxlCrawlerTest05 (Selenium+ChromeDriver) needs chromedriver binary not in container
- XxlCrawlerTest06 (proxy) needs real proxy IPs not available
- Tiempo de instalación
- 12 minutos
- De máquina en frío a terminar
- 13 minutos
- Errores encontrados y corregidos
- 7 encontrados, 4 corregidos sin ayuda humana
- Cómo se demostró el resultado
- 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.
- Tokens de modelo usados
- 202.949
- Commit exacto probado
- 2088dd10212f
- 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
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.
- `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`
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
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Tardó 12 minutos en instalarse, más lento que la mediana de los 24 proyectos comparables que ha medido Argusic.
- Encontró 7 errores durante la instalación, 3 de ellos sin resolver.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 25 proyectos de crawler que Argusic ha instalado y cronometrado, xxl-crawler fue el 18.º más rápido en llegar a funcionar, y 19 de 25 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
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
Temas (de GitHub)
crawlerdistributedflexiblejavaobject-orientedspiderwebxxl-crawler
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/xxl-crawler)Preguntas
- ¿Funciona xxl-crawler?
- Sí. xxl-crawler funciona. Argusic lo instaló y lo inició en una máquina limpia en 12 minutos, con 7 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic xxl-crawler?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 2088dd10212f. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar xxl-crawler?
- La ejecución que produjo este veredicto costó 0,10 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 xxl-crawler en instalarse?
- 12 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita xxl-crawler una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar xxl-crawler?
- En la ejecución registrada fallaron 7 cosas, y 4 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara xxl-crawler con las alternativas?
- De los 25 proyectos de crawler que Argusic ha instalado y cronometrado, xxl-crawler fue el 18.º más rápido en llegar a funcionar, y 19 de 25 llegaron a funcionar.
- ¿Dónde está la evidencia de xxl-crawler?
- 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.