新闻详情

新闻详情

首页 / 资讯中心 / 详情

clone到一半被中断?kage断点续爬机制揭秘:state.json如何记住每一页

发布时间:2026/11/19 4:57:03来源:尧图网络
clone到一半被中断?kage断点续爬机制揭秘:state.json如何记住每一页
clone到一半被中断kage断点续爬机制揭秘state.json如何记住每一页【免费下载链接】kageShadow any website for offline viewing, with the JavaScript stripped out项目地址: https://gitcode.com/gh_mirrors/kage6/kagekage 是一个能把网站完整克隆到本地、并剥离所有 JavaScript 的离线镜像工具。当kage clone爬取大型站点时Ctrl-C、断电、断网都可能让任务中途夭折——kage 内置的断点续爬机制会把这些进度写进state.json下次重跑时自动跳过已完成页面、从未完成处继续一行命令都不用多敲。一、先认识 kage为什么它敢断点续爬 kage 的克隆流程是真实无头 Chrome 渲染页面 → 快照最终 DOM → 剥离全部脚本 → 把 CSS、图片、字体下载到本地路径。每一步都是确定性的同一个 URL 永远映射到同一个本地文件。正是这种URL 到文件的确定性映射让哪些页面已经写完可以精确到每一页。二、state.json 存在哪它记住了什么镜像目录里有一个保留文件夹_kage/里面放着状态文件host/_kage/state.json。它在每次运行时记录两样东西visited已完成集已经成功写盘的所有页面按输出文件路径去重pending待办清单已发现但还没爬完的页面每条都带着 URL 和深度depth因为--max-depth是从种子页算起的续爬时无法重新计算。paulgraham.com/ ├── index.html ├── _kage/ │ ├── paulgraham.com/site.css │ └── state.json # 已完成集 待办清单状态结构定义在 frontier.go{ visited: […], pending: [{ url: …, depth: 2 }] }写入时采用先写临时文件、再原子重命名的方式frontier.go保证即使进程在保存瞬间被杀也不会留下半个损坏的 JSON。三、续爬四步走一次重跑就接上 Ctrl-C 是干净的停止kage 取消进行中的渲染、把状态刷盘、退出。已写好的页面一页不丢终端会提示interrupted; resume state saved (rerun to continue)见 clone.go。重跑时先读状态Run()开头加载state.json打印resume: 137 pages already done待办清单重新入队requeueUnfinished 把上次的 pending 逐条放回队列打印resume: picking up 412 pages已完成的自动跳过去重判断 isVisited 让重复 URL 不再入队直到队列为空。默认就开启不需要任何额外参数kage clone example.com # 中断后原样再跑一次即可四、失败页面会自动补爬预算也能分批花 失败即记忆渲染超时、瞬时 5xx 的页面不会被标记为完成而是留在 frontier 里——下次重跑自动重试网络抖动造成的缺口再跑一轮就补齐了。但被robots.txt拒绝的页面会标记为 done避免反复空转逻辑见 frontier.go。用--max-pages先试水页面预算是每次运行的额度被压住的页面同样留在待办清单里。先-p 20看看前 20 页效果满意后不限额重跑剩下的自然接上。想彻底重来--force会先删除整个$HOME/data/kage/host/再爬--no-resume则完全不读写状态文件做一次性克隆。三个开关的接线在 clone.go。五、离线验收你的镜像长这样 爬完后用kage serve 镜像目录打开本地服务或直接双击 HTML 文件。页面已剥离脚本、引用全部本地化左侧导航、样式与原站几乎一致——而这一切不依赖任何网络完整官方指南见 resuming-a-run.md配置全貌参考 configuration.md。一句话总结state.json 已完成集 待办清单 深度记忆原子写盘、默认开启、失败自动重试——kage 让爬一半中断从事故变成了日常。【免费下载链接】kageShadow any website for offline viewing, with the JavaScript stripped out项目地址: https://gitcode.com/gh_mirrors/kage6/kage创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉