Original em inglês: https://argusic.com/subject/news-crawl
news-crawl
Coleta de notícias com StormCrawler - armazena conteúdo como WARC
Executa com mocksfonte: GitHubJavaApache-2.0commit 8c08c28f67f2
Java, licença Apache-2.0. O projeto se descreve como: apache storm, common crawl, commoncrawl, crawler, news, storm crawler, warc e web crawler.
news-crawl executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 25 minutos e encontrou 5 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 92 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 25 minutos
- Da máquina limpa até o fim
- 69 minutos
- Erros encontrados e corrigidos
- 5 encontrados, 5 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 8c08c28f67f2
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em , a tentativa que decidiu o veredito acima. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
}
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…
```Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 25 minutos.
- Recuperou-se de todos os 5 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 1,90 |
Tópicos (de GitHub)
apache-stormcommon-crawlcommoncrawlcrawlernewsstorm-crawlerwarcweb-crawler
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/news-crawl)Perguntas
- news-crawl executa?
- news-crawl executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 25 minutos, encontrando 5 erros no caminho, e gravou a sessão.
- Como a Argusic testou news-crawl?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 8c08c28f67f2. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar news-crawl?
- A execução que produziu este veredito custou US$ 1,90: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar news-crawl?
- 25 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- news-crawl precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar news-crawl?
- 5 coisas quebraram na execução registrada, e 5 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de news-crawl?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.