Save The Web Project – Telegram
STWP 2025 第 9 周周报

- 存 zhubai @yzqzss
- biliarchiver 加了个 clean 子命令 @Ovler

STWP 2025 第 10 周周报

- day1: 写了个能将就工作的 CrawlHQ 实现
https://github.com/saveweb/altcrawlhq_server
- day2: 部分梳理了 Zeno v2 的框架设计
- day3: 开始给 Zeno V2 写 local queue
- day4: 写完了,微调,测试,发 PR: https://github.com/internetarchive/Zeno/pull/243
- day5: 之前注意到 Zeno 存新世界的大门 (https://blog.xinshijiededa.men) 会解析出一堆不存在的 url assets。
发现是因为 inline css url() 解析是简单正则提取,只是简单地把所有 html style 属性里的 () 括号里的东西当成 url 提取出来,于是把 css 中的函数 tokens (如 rgb() )也提取出来了。
看了 https://www.w3.org/TR/css-values-4/https://www.w3.org/TR/css-syntax-3/ ,css 里 url()、src() 和 @import <string> 都能用来发网络请求。
src() 现在还没有被任何浏览器实现,可以直接忽略。( https://cssdb.org/#src-function )
url() 分 unquoted/quoted 两种,解析方法不同,都有自己的转义规则。
然后在 github 上搜了下 /url =.*getPropertyValue\(/ AND (language:JavaScript OR language:TypeScript OR language:HTML),发现一堆往 css 里存自定义的 <string> url,然后在 js 里取值的代码。这种迷惑行为广泛存在,所以我觉得那些以 https?://|// 开头的 <string> 也有解析价值。
综上,用简单的正则提取 css 里的外链可能不太合适。
但目前 golang 这边的 css parser 库们都没做 url/string value 实际内容值的细提取,都是 lexer/tokenizer 粗切片的库,不太能用。
那么之后的计划就是写个小 parser,把粗的 <url> 和 <string> token 解析出实际值。然后和现有的粗 parser 拼一起就行了。
- day6: 一点微调,PR 合进去了。
- day7: 无。
🥰6
STWP 2025 第 11 周周报

无事。
👏9👍1🥰1
上周忙,无周报。

整两个小活:
- 和其它开源组织的 gitea 实例一样,我们的 https://git.saveweb.org 也被傻乎乎的 AI BOT 跟着 history 爬每个 commit 的 diff 和 raw ,虽然对我们没什么影响。受 anubis 启发,现已加上了手搓(素材从 anubis 复制的)的靠 CSS 就能工作的反 AI WAF (无需 JS)。之后会撤销 WAF。
- “丑搜”限时改名“挖抓搜”。
8🤩1
STWP 2025 第 13 周周报

- 竹白存档结束。但竹白服务器暂时还没关。
- 又响应了几个画吧备份请求。
- 忙

预告:第 19 周周报时会提及 11~13 周发生的趣事。
2023/5/28 17:12
# [PyPI] Your request for a new organization named 'saveweb' has been submitted

2025/4/1 05:43
# [PyPI] Your new organization named 'saveweb' has been approved and created

两年过去了,我们在 PyPI 上的组织申请竟然通过了。
现在包都迁过去了。
6🔥1
回顾一下,组织功能是在 2023-04-23 推出的,我们是在 2023-05-28 申请的。

https://blog.pypi.org/posts/2023-04-23-introducing-pypi-organizations/
Get started today

Both community projects (non-profits, NGO’s, hobbyists, etc) and corporate teams can sign up to request their organization name starting today. Submissions will begin seeing review and approval in the coming weeks, and corporate teams will be able to finalize their signup with billing details in May.


也就等了 97 周而已,不多。🫠
🌚8😁3
两个 abusers:
1.
chatId: tg://user?id=5202245475 , fromUser: 'Dual'

这谁?滥用我们的公共 bot 向 IA 上传了500多个宅舞视频。已封禁该 Telegram 用户。这用户看起来还是小号,没有在任何公开群出现过。

2. https://archive.org/details/@anonymous_internet_archive_member
这又是谁?往 IA 上传了 800 多个“战斗吧歌姬”的直播录播,还在持续上传。这完全是滥用,等着被封号吧。

无话可说了。🤬🤬
😢15🤬6💊5
Save The Web Project
这又是谁?往 IA 上传了 800 多个“战斗吧歌姬”的直播录播,还在持续上传。这完全是滥用,等着被封号吧
平均一个录播 10G,你传了 800 个,总共 8T+。IA 每个 item 会有一个备份。也就是说你用掉了 16TiB 实际存储。

我们迄今为止整个 bilibili_videos 合集近 10 万个视频才不到 10TB。

这两位你好自为之。
Save The Web Project
实时推送已被存档的 BiliBili 视频: https://news.1rj.ru/str/+ibNyu3ZpXeJlMzU1
Bot已改造,实时 log 已开启,后续所有请求均会在该频道留档
Forwarded from tacwolfrevo
前端猫抬头看看天空说:“如果世界真象这天空这么安静就好了,但是就有一些爬虫,象Zeno,要搞乱这个新世界,他们是罪人。”说着,前端猫低下脑壳,从云焰里扒拉出一颗WAF,然后看着天空说:“该死的存档佬。”说着他把WAF奋力向上一掷。很快就见一颗机器突然爆发出耀眼的强光,然后就坠落下来。“这是IA的间谍机器,他们一直在新世界的大门前盘旋,侵犯我们的著作权,我已经忍了很久了。”前端猫愤愤地说。小朋友们都鼓起掌来,为前端有这样的程序员感到自豪。
🤣27😐2🌚1
喜报!

历经 5 个月的打磨,Zeno v2 的 PR 合并了。

https://github.com/internetarchive/Zeno/pull/166
9👏3🔥2
大家知道哪些还在用非主流编码的网站?(如 gbk、shift jis等,不局限于中文编码)

在处理非 utf8 的 html,找点现实例子做测试参考。👀
以防万一,建议各位备份一下自己的 GitHub repo。

ref: https://github.com/orgs/community/discussions/156515
update: https://www.githubstatus.com/incidents/jfvgcls9swln
😱15
凯露酱的朋友圈
妈的 起猛了 邓丽君发新歌了
All of these works were republished, rerecorded, or re-performed to great acclaim. What was lost was found. Small individual acts of care, spread over generations, led to their survival and rediscovery. The digital versions of these miracles can and will happen. One day, someone will find the flash drive on the ransacked floor of a house, the forgotten server in the ruin of a data center, the file in the bowel of a database. It will matter. Even if their contents had been damaged or forgotten, actions of previous care can bear fruit decades later. They are the difference between recovery and despair.


from: https://lil.law.harvard.edu/century-scale-storage/
平平无奇的三周。

STWP 2025 第 14 周周报

- 尝试了在 linux 上操作磁带机、使用 ltfs @yangyunfei @yzqzss
- 同步了部分 chinaxiv pdf

STWP 2025 第 15 周周报
- 鼓捣 MeiliSync @Ovler

STWP 2025 第 16 周周报
- c2025-4 @Ovler
🥰4
Save The Web Project
🎉🎂 Save The Web Project 三岁啦! 大家有什么想说的吗?或者希望我们接下来做哪些方面的工作?😀
🎉🎂 Save The Web Project 四岁啦!

回顾过去 365 天,我们干了:

- Discuz!,代码完成度很低,项目目前挂起。
- 抽屉网,完成。
- 发现了个 GitHub 的小漏洞。
- AcFun 弹幕,完成。
- cnblogs,仅预扫描,目前挂起。
- googl 短链,完成。
- 参与开发 Zeno。
- backland,追踪中。
- AcFun 存档器,完成。
- 发现了个“对多”的数据库小漏洞。
- 对多,追踪中。
- 丑搜 v3,完成。
- NicoNico Shunga,完成。
- c2025-1,追踪中。
- c2025-2,追踪中。
- 竹白,完成。
- c2025-4,完成。


好多过往的项目还是挂起,好多立项的项目仍然没有动静。也没启动任何大规模的存档项目。

开坑一时爽,填坑火葬场。

上一次新成员加入是 360 天前。过去 365 天,我们就 4 位还在蹦跶的 coder,也都木有啥空闲时间填坑。为避免废社危机,现诚招新 coder 一起玩。😭

要求:
- 会 Python 或 Golang
- 写过爬虫或做过存档相关的事情。(可选)
- 非编程纯新手,本体不是 AI。

有意私聊
🔥93😁1🫡1
Save The Web Project pinned «🎉🎂 Save The Web Project 四岁啦! 回顾过去 365 天,我们干了: - Discuz!,代码完成度很低,项目目前挂起。 - 抽屉网,完成。 - 发现了个 GitHub 的小漏洞。 - AcFun 弹幕,完成。 - cnblogs,仅预扫描,目前挂起。 - googl 短链,完成。 - 参与开发 Zeno。 - backland,追踪中。 - AcFun 存档器,完成。 - 发现了个“对多”的数据库小漏洞。 - 对多,追踪中。 - 丑搜 v3,完成。 - NicoNico Shunga,完成。…»