Original em inglês: https://argusic.com/subject/xxl-crawler
xxl-crawler
Um framework leve de web crawler.（Java爬虫框架）
Executafonte: GitHubpágina do projetoJavaApache-2.0commit 2088dd10212f
Java, licença Apache-2.0. O projeto se descreve como: crawler, distributed, flexible, java, object oriented, spider, web e xxl crawler.
xxl-crawler executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 12 minutos e encontrou 7 erros, e a sessão inteira foi gravada.
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).
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 91,4 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.
- 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
- Tempo de instalação
- 12 minutos
- Da máquina limpa até o fim
- 13 minutos
- Erros encontrados e corrigidos
- 7 encontrados, 4 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 2088dd10212f
- 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
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.
- `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`
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
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Levou 12 minutos para instalar, mais devagar que a mediana dos 24 projetos comparáveis que a Argusic mediu.
- Encontrou 7 erros durante a configuração, 3 dos quais não foram resolvidos.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 25 projetos de crawler que a Argusic instalou e cronometrou, xxl-crawler foi o 18º mais rápido a chegar a um estado de execução, e 19 de 25 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
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
Tópicos (de GitHub)
crawlerdistributedflexiblejavaobject-orientedspiderwebxxl-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/xxl-crawler)Perguntas
- xxl-crawler executa?
- Sim. xxl-crawler executa. A Argusic o instalou e iniciou em uma máquina limpa em 12 minutos, encontrando 7 erros no caminho, e gravou a sessão.
- Como a Argusic testou xxl-crawler?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 2088dd10212f. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar xxl-crawler?
- A execução que produziu este veredito custou US$ 0,10: 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 xxl-crawler?
- 12 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- xxl-crawler 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 xxl-crawler?
- 7 coisas quebraram na execução registrada, e 4 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como xxl-crawler se compara às alternativas?
- Dos 25 projetos de crawler que a Argusic instalou e cronometrou, xxl-crawler foi o 18º mais rápido a chegar a um estado de execução, e 19 de 25 chegaram a esse estado.
- Onde estão as evidências de xxl-crawler?
- 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.