Tio Boot DocsTio Boot Docs
Home
文档导航
  • java-db
  • api-table
  • jooq
  • mysql
  • postgresql
  • oceanbase
  • Enjoy
  • Tio Boot Admin
  • java-openai
  • ai_agent
  • knowlege_base
  • voice-agent
  • ai-search
  • ai-coding
  • ai-browser
  • 案例
Abount
AI 检索
  • Github
  • Gitee
Home
文档导航
  • java-db
  • api-table
  • jooq
  • mysql
  • postgresql
  • oceanbase
  • Enjoy
  • Tio Boot Admin
  • java-openai
  • ai_agent
  • knowlege_base
  • voice-agent
  • ai-search
  • ai-coding
  • ai-browser
  • 案例
Abount
AI 检索
  • Github
  • Gitee
  • 入门

    • 01 · 入门

      • 01_introduction
      • tio-boot:新一代高性能 Java Web 开发框架
      • tio-boot 入门示例
      • Tio-Boot 配置 : 现代化的配置方案
      • tio-boot 整合 hotswap-classloader 实现热加载
      • 自行编译 tio-boot
      • 最新版本
      • 开发规范
  • 部署与日志

    • 02 · 部署

      • 02_deployment
      • 使用 Maven Profile 实现分环境打包 tio-boot 项目
      • Maven 项目配置详解:依赖与 Profiles 配置
      • tio-boot 打包成 FatJar
      • 使用 GraalVM 构建 tio-boot Native 程序
      • 使用 Docker 部署 tio-boot
      • 部署到 Fly.io
      • 部署到 AWS Lambda
      • 到阿里云云函数
      • 使用 Deploy 工具部署
      • 使用Systemctl启动项目
      • 使用 Jenkins 部署 Tio-Boot 项目
      • 使用 Nginx 反向代理 Tio-Boot
      • 使用 Supervisor 管理 Java 应用
      • 历史部署页与替代方案
      • 胖包与瘦包的打包与部署
      • 使用 JDK 8 构建基础库与验证运行环境
    • 03 · 日志

      • 日志
      • tio-boot 整合 Logback
  • 核心开发

    • 04 · 配置

      • 04_configuration
      • 配置参数
      • 服务器监听器
      • 内置缓存系统 AbsCache
      • 使用 Redis 作为内部 Cache
      • 静态文件处理器
      • 基于域名的静态资源隔离
      • DecodeExceptionHandler
      • 开启虚拟线程(Virtual Thread)
      • 框架级错误通知
    • 05 · JSON

      • 05_json
      • Json
      • 接受 JSON 和响应 JSON
      • 响应实体类
    • 06 · Web 开发

      • Web 开发
      • 路由与参数

        • 概述
        • 添加 Controller
        • handler入门
        • Handler 的请求方法与错误响应
        • 接收请求参数
        • 接收日期参数
        • 接收数组参数
        • HttpRequest
      • 响应与文件

        • 返回字符串
        • 返回文本数据
        • 返回网页
        • 请求和响应字节
        • 文件上传
        • 文件下载
        • 返回视频文件并支持断点续传
        • HttpResponse
        • Resps
        • RespBodyVo
        • 动态 返回 CSS 实现
        • 返回图片
        • 返回 multipart
        • 使用零拷贝发送大文件
        • 分片上传
        • WebJars
      • 会话与请求控制

        • http Session
        • Cookie
        • 重定向和转发
        • Controller拦截器
        • 请求拦截器
        • LoggingInterceptor
        • 全局异常处理器
        • 跨域
        • 自定义 Handler 转发请求
        • 使用 HttpForwardHandler 转发所有请求
        • HTTP Basic 认证
        • Http响应加密
      • 异步与流式输出

        • 异步处理
        • Transfer-Encoding: chunked 实时音频播放
        • Server-Sent Events (SSE)
      • 工具与监控

        • 常用工具类
        • 接口访问统计
        • 接口请求和响应数据记录
        • JProtobuf
        • 测速
        • Gzip Bomb:使用压缩炸弹防御恶意爬虫
    • 07 · 参数校验

      • 07_validation
      • 数据紧校验规范
      • 参数校验
    • 08 · WebSocket 应用开发

      • 08_websocket
      • 使用 tio-boot 搭建 WebSocket 服务
      • WebSocket 聊天室项目示例
    • 09 · AOP

      • 09_aop
      • JFinal-aop
      • Aop 工具类
      • 配置
      • 独立使用 JFinal Aop
      • @AImport
      • 自定义注解拦截器
      • 原理解析
    • 10 · 国际化

      • 10_i18n
      • i18n
    • 11 · Enjoy 模板

      • 11_enjoy
      • tio-boot 整合 Enjoy 模版引擎文档
      • Tio-Boot 整合 Java-DB 与 Enjoy 模板引擎示例
      • 引擎配置
      • 表达式
      • 指令
      • 注释
      • 原样输出
      • Shared Method 扩展
      • Shared Object 扩展
      • Extension Method 扩展
      • Spring boot 整合
      • 独立使用 Enjoy
      • tio-boot enjoy 自定义指令 localeDate
      • PromptEngine
      • Enjoy 入门示例-擎渲染大模型请求体
      • Tio Boot + Enjoy:分页与 SEO 实战指南
      • TioBoot + Enjoy 生成 robots.txt 与 sitemap.xml:实战与SEO指南
      • Enjoy 使用示例
    • 12 · 定时任务

      • 12_scheduling
      • Quartz 定时任务集成指南
      • 分布式定时任务 xxl-jb
      • cron4j 使用指南
    • 13 · 测试

      • 13_testing
      • TioBootTest:环境与 AOP 初始化
      • 真实 HTTP 集成测试
      • 数据库集成测试与隔离
    • 14 · tio-utils

      • 14_tio-utils
      • tio-utils
      • EnvUtils 配置工具
      • Notification
      • Email
      • JSON
      • File
      • Base64
      • 上传和下载
      • Http
      • Telegram
      • RsaUtils
      • HttpUtils
      • ByteBufferUtils
      • 系统监控
      • 线程
      • 虚拟线程
      • 毫秒并发 ID (MCID) 生成方案
  • 数据库与数据访问

    • 15 · java-db

      • 15_java-db
      • Db 工具类
      • java‑db
      • 操作数据库入门示例
      • SQL 模板 (SqlTemplates)
      • 数据源配置与使用
      • ActiveRecord
      • Db 工具类
      • 批量操作
      • Model
      • Model生成器
      • 注解
      • 异常处理
      • 数据库事务处理
      • Cache 缓存
      • Dialect 多数据库支持
      • 表关联操作
      • 复合主键
      • Oracle 支持
      • Enjoy SQL 模板
      • 整合 Enjoy 模板最佳实践
      • 多数据源支持
      • 独立使用 ActiveRecord
      • 调用存储过程
      • java-db 整合 Guava 的 Striped 锁优化
      • 生成 SQL
      • 通过实体类操作数据库
      • java-db 读写分离
      • Spring Boot 整合 Java-DB
      • like 查询
      • 常用操作示例
      • Druid 监控集成指南
      • SQL 统计
      • Db 与 PostgreSQL 业务实践
    • 16 · api-table

      • 16_api-table
      • ApiTable 概述
      • 使用 ApiTable 连接 SQLite
      • 使用 ApiTable 连接 Mysql
      • 使用 ApiTable 连接 Postgres
      • 使用 ApiTable 连接 TDEngine
      • 使用 api-table 连接 oracle
      • 使用 api-table 连接 mysql and tdengine 多数据源
      • EasyExcel 导出
      • EasyExcel 导入
      • ApiTable 的权限与业务边界
      • ApiTable 联调与故障定位
      • ApiTable 实现增删改查
      • 数组类型
      • 单独使用 ApiTable
      • TQL(Table SQL)前端输入规范
    • 17 · MyBatis

      • 17_mybatis
      • Tio-Boot 整合 MyBatis
      • 使用配置类方式整合 MyBatis
      • 整合数据源
      • 使用 mybatis-plus 整合 tdengine
      • 整合 mybatis-plus
    • 18 · jOOQ

      • 18_jooq
      • 使用配置类方式整合 jOOQ
      • tio-boot + jOOQ 事务管理
      • 批量操作与性能优化
      • 整合agroal
      • 代码生成与类型安全
      • 基于 Record / POJO 增删改查
      • UPSERT、批量更新、返回主键与高级 SQL
      • 的多表关联查询、DTO 投影、聚合统计与视图封装
      • 的窗口函数、CTE、JSON 查询与 PostgreSQL 高级 SQL 实战
      • tio-boot + jOOQ 的审计字段、乐观锁、数据权限与企业级 Repository 设计
      • 测试策略、SQL 日志、性能诊断与生产排障
      • 多租户、读写分离与多数据源设计
      • 代码生成治理、数据库迁移与团队协作规范实战
    • 19 · PostgreSQL

      • 19_postgresql
      • PostgreSQL 安装
      • PostgreSQL 主键自增
      • PostgreSQL 日期类型
      • Postgresql 金融类型
      • PostgreSQL 数组类型
      • 索引
      • PostgreSQL 查询优化
      • 获取字段类型
      • PostgreSQL 全文检索
      • PostgreSQL 向量
      • PostgreSQL 优化向量查询
      • PostgreSQL 其他
    • 20 · MySQL

      • 20_mysql
      • 使用 Docker 运行 MySQL
      • 常见问题
    • 21 · OceanBase

      • 21_oceanbase
      • 快速体验 OceanBase 社区版
      • 快速上手 OceanBase 数据库单机部署与管理
      • 诊断集群性能
      • 优化 SQL 性能指南
      • 待定
    • 22 · Oracle

      • 22_oracle
      • Oracle
    • 23 · SQL Server

      • 23_sqlserver
      • SQL Server
    • 24 · SQLite

      • 24_sqlite
      • SQLite
    • 25 · MongoDB

      • 25_mongodb
      • tio-boot 使用 mongo-java-driver 操作 mongodb
    • 26 · Elasticsearch

      • 26_elasticsearch
      • Elasticsearch
      • JavaDB 整合 ElasticSearch
      • Elastic 工具类使用指南
      • Elastic-search 注意事项
      • ES 课程示例文档
  • 缓存与消息队列

    • 27 · Cache

      • 27_cache
      • Caffeine
      • CacheUtils 工具类
      • 使用 java-db 整合 ehcache
    • 28 · Redis

      • 28_redis
      • 使用 Docker 安装 Redis
      • 使用 java-db 整合 Redis
      • Java DB Redis 相关 Api
      • redis 使用示例
      • 和 RedisTemplate 协作
      • 使用 Jedis 连接池接入 Redis
      • hutool RedisDS
      • Redisson
      • Caffeine 与 Redis 两级缓存
      • 使用 CacheUtils 整合 caffeine 和 redis 实现的两级缓存
    • 29 · 消息队列

      • 29_mq
      • Mica-mqtt
      • EMQX
      • Disruptor
    • 30 · Kafka

      • 30_kafka
      • Kafka
      • AWS MSK
  • 认证与账号体系

    • 31 · 认证与权限

      • 31_authentication
      • FixedTokenInterceptor
      • TokenManager
      • 数据表
      • 匿名登录
      • 个人中心
      • 权限校验注解
      • Sa-Token
      • sa-token 登录注册
      • StpUtil.isLogin() 源码解析
    • 32 · 第三方登录注册

      • 32_third-party-auth
      • 邮箱登录和注册
      • 邮箱重置密码
      • 腾讯云短信登录注册
      • 腾讯云短信重置密码
      • 阿里云短信登录和注册
      • 阿里云短信重置密码
      • 微信登录与绑定手机号
      • 支付宝登录与绑定手机号
      • 微信小程序手机号快捷登录
      • Google登录
      • 阿里云邮件推送验证邮箱
  • 网络通信

    • 33 · AIO

      • 33_aio
      • ByteBuffer
      • AIO HTTP 服务器
      • 自定义和线程池和池化 ByteBuffer
      • AioHttpServer 应用示例 IP 属地查询
      • 手写 AIO Http 服务器
      • Java 21 中的虚拟线程与 AIO
    • 34 · t-io

      • 34_tio
      • 认识 t-io

        • t-io 核心优势与应用价值
        • t-io 消息处理流程
      • 快速上手

        • TioBootServer
        • 独立端口启动 TCP 服务器
        • 内置 TCP 处理器
        • 独立启动 UDPServer
        • 使用内置 UDPServer
      • 核心概念

        • TioConfig
        • ChannelContext
        • Packet
        • Tio 工具类
      • 消息与文件传输

        • 发送数据
        • HTTP 长连接与高效文件传输
        • 使用 AsynchronousSocketChannel 响应数据
      • 连接管理

        • 业务数据绑定
        • 业务数据解绑
        • 关闭连接
        • 资源共享
        • 成员排序
        • 拉黑 IP
      • 加密通信

        • SSL
        • Https建立连接过程
      • 心跳与监控

        • 监控: 心跳
        • 监控: 客户端的流量数据
        • 监控: 单条 TCP 连接的流量数据
        • 监控: 端口的流量数据
        • 单条通道统计: ChannelStat
        • 所有通道统计: GroupStat
      • 深入原理

        • tio-运行原理详解
        • DecodeRunnable
        • t-io 稳定性设计与资源管理
        • 深入解析 Tio 源码:构建高性能 Java 网络应用
        • HTTP、WebSocket 与 TCP 的缓冲区复用
    • 35 · tio-http-server

      • 35_tio-http-server
      • 使用 Tio-Http-Server 搭建简单的 HTTP 服务
      • tio-boot 添加 HttpRequestHandler
      • 在 Android 上使用 tio-boot 运行 HTTP 服务
      • tio-http-server-native
      • handler 常用操作
      • tio-http-server 与 tio-boot 的使用边界
    • 36 · tio-websocket

      • 36_tio-websocket
      • WebSocket 服务器
      • WebSocket Client
      • TCP数据转发
    • 37 · Netty

      • 37_netty
      • Netty TCP Server
      • Netty Web Socket Server
      • 使用 protoc 生成 Java 包文件
      • Netty WebSocket Server 二进制数据传输
      • Netty 组件详解
    • 38 · netty-boot

      • 38_netty-boot
      • Netty-Boot
      • 原理解析
      • 整合 Hot Reload
      • 整合 数据库
      • 整合 Redis
      • 整合 Elasticsearch
      • 整合 Dubbo
      • Listener
      • 文件上传
      • 拦截器
      • Spring Boot 整合 Netty-Boot
      • SSL 配置指南
      • ChannelInitializer
      • Reserve
  • 集成与扩展

    • 39 · 第三方集成

      • 39_integrations
      • 整合 okhttp
      • 整合 GrpahQL
      • 集成 Mailjet
      • 整合 ip2region
      • 整合 GeoLite 离线库
      • 整合 Lark 机器人指南
      • 集成 Lark Mail 实现邮件发送
      • Thymeleaf
      • Swagger
      • Clerk 验证
      • 集成datadog
    • 40 · Magic Script

      • 40_magic-script
      • tio-boot 与 magic-script 集成指南
    • 41 · Groovy

      • 41_groovy
      • tio-boot 整合 Groovy
      • 调试常用脚本
    • 42 · 爬虫

      • 42_crawling
      • jsoup
      • 爬取 z-lib.io 数据
      • 整合 WebMagic
      • WebMagic 示例:爬取学校课程数据
      • Playwright
      • Flexmark (Markdown 处理器)
      • tio-boot 整合 Playwright
      • 缓存网页数据
    • 43 · Dubbo

      • 43_dubbo
      • 概述
      • dubbo 2.6.0
      • dubbo 2.6.0 调用过程
      • dubbo 3.2.0
    • 44 · Spring

      • 44_spring
      • Spring Boot Web 整合 Tio Boot
      • spring-boot-starter-webflux 整合 tio-boot
      • tio-boot 整合 spring-boot-starter
      • Tio Boot 整合 Spring Boot Starter db
      • Tio Boot 整合 Spring Boot Starter Data Redis 指南
    • 45 · Spring Cloud

      • 45_spring-cloud
      • tio-boot spring-cloud
    • 46 · Quarkus

      • 46_quarkus
      • Quarkus(无 HTTP)整合 tio-boot(有 HTTP)
      • tio-boot + Quarkus + Hibernate ORM Panache
      • tio-boot + Quarkus + Hibernate ORM Panache + jOOQ 整合方案
    • 47 · Telegram4J

      • 47_telegram4j
      • 数据库设计
      • 基于 HTTP 协议开发 Telegram 翻译机器人
      • 基于 MTProto 协议开发 Telegram 翻译机器人
      • 过滤旧消息
      • 保存机器人消息
      • 定时推送
      • 增加命令菜单
      • 使用 telegram-Client
      • 使用自定义 StoreLayout
      • 延迟测试
      • Reactor 错误处理
      • Telegram4J 常见错误处理指南
      • 处理回调查询
      • Reactor
      • 文档翻译
      • 使用 Tio-Boot 整合 tdlight
      • tio-boot 整合 TelegramBots
      • tio-boot 整合 Telegram-Bot-Utils
      • Telegram-Bot-Utils 使用指南
    • 48 · Telegram Bots

      • 48_telegram-bots
      • TelegramBots 入门指南
      • 使用工具库 telegram-bot-base 开发翻译机器人
    • 49 · 文件存储

      • 49_file-storage
      • 文件上传数据表
      • 本地存储
      • 存储到 亚马逊 S3
      • 存储到 Cloudflare R2
      • 存储到 腾讯 COS
      • 上传文件到阿里云 OSS
    • 50 · 支付

      • 支付集成
      • 微信小程序支付:普通支付
      • 微信支付:Native 扫码支付(PC 网页扫码)
      • 支付宝:电脑网站支付接入指南
      • 支付宝:使用 page.pay 二维码前置模式实现网页内扫码支付
  • Firebase 与 Clerk

    • 51 · Firebase

      • 51_firebase
      • 整合 google firebase
      • Firebase Storage
      • Firebase Authentication
      • 使用 Firebase Admin SDK 进行匿名用户管理与自定义状态标记
      • 导出用户
      • 登录注册
      • 注册回调
    • 52 · Clerk

      • 52_clerk
      • Clerk
  • 多媒体

    • 53 · 音视频处理

      • 53_media
      • JAVE 提取视频中的声音
      • Jave 提取视频中的图片
      • 待定
    • 54 · 语音识别

      • 54_asr
      • Whisper-JNI
    • 55 · 语音合成

      • 55_tts
    • 56 · 文字识别

      • 56_ocr
    • 57 · Native Media

      • 57_native-media
      • java-native-media
      • JNI 入门示例
      • mp3 拆分
      • mp4 转 mp3
      • 使用 libmp3lame 实现高质量 MP3 编码
      • Linux 编译
      • macOS 编译
      • 从 JAR 包中加载本地库文件
      • 支持的音频和视频格式
      • 任意格式转为 mp3
      • 通用格式转换
      • 通用格式拆分
      • 视频合并
      • VideoToHLS
      • split_video_to_hls 支持其他语言
      • 持久化 HLS 会话
      • 获取视频长度
      • 保存视频的最后一帧
      • 添加水印
      • linux版本
    • 58 · 计算机视觉

      • 58_computer-vision
      • 使用 Java 运行 YOLOv8 ONNX 模型进行目标检测
      • tio-boot整合yolo
      • ONNX Runtime 推理说明
      • Paddle Structure
      • tio-boot 整合 Paddle Structure
      • tio-boot整合Paddle Structure 提取图片
      • U2Net 图片去背景原理
      • tio-boot 整合 U2Net 实现图片去背景
  • AI 开发

    • 59 · java-openai

      • 59_java-openai
      • 简介
      • 流式生成
      • 图片多模态输入
      • Google Gemini接入
      • google Vertex AI 接入
      • Perplexity API
      • WhisperClient 语音识别
      • SupadataClient 获取视频字幕
      • GiteeClient 文档解析与图片 OCR
      • DeepSeekClient 官方模型查询
      • BailianTTSClient 语音合成
    • 60 · AI Agent

      • 60_ai-agent
      • 数据库设计
      • 示例问题管理
      • 会话管理
      • 历史记录
      • 意图识别
      • 智能问答
      • 文件上传与解析文档
      • 翻译
      • 名人搜索功能实现
      • Ai studio gemini youbue 问答使用说明
      • 自建 YouTube 字幕问答系统
      • 自建 获取 youtube 字幕服务
      • 使用 OpenAI ASR 实现语音识别接口(Java 后端示例)
      • 定向搜索
      • 16
      • 17
      • 18
      • 在 tio-boot 应用中整合 ai-agent
      • 接口文档
      • 自定义 ChatAskService
      • 请求记录
      • 限流和错误处理
      • 增强检索(RAG)
      • 结构化数据检索
      • AI 问答
      • 连接代码执行器
      • 待定
      • 模型编程能力评测
      • 音频会话 SDP 示例
    • 61 · 知识库

      • Java MossKB 知识库文档
      • 学术论文
      • 数据库设计
      • 用户登录实现
      • 模型管理
      • 知识库管理
      • 文档拆分
      • 片段向量
      • 命中测试
      • 文档管理
      • 片段管理
      • 问题管理
      • 应用管理
      • 向量检索
      • 推理问答
      • 问答模块
      • 统计分析
      • 用户管理
      • VL模型文档解析方案和费用对比
      • 文档解析模型实测
      • 文档解析优化
      • 片段汇总
      • 段落分块与检索
      • 多文档解析
      • 检索性能优化
      • 对话日志
      • 创建独立用户与账号资源管理
      • api 管理
      • 独立对话页
      • 嵌入第三方web系统
      • 分段预览
      • 文档预览
      • 多轮检索
      • 上下文压缩
      • 支持自定义模型
      • 爬取网页数据
      • 隔离 Python 执行环境配置
      • 隔离 Python 执行器
      • 函数库与调用接口
      • Windows 与 Linux 部署
      • 离线运行向量模型
      • Milvus
      • 存储文件到云存储
    • 62 · AI 搜索

      • 62_ai-search
      • ai-search 项目简介
      • ai-search 数据库文档
      • ai-search SearxNG 搜索引擎
      • ai-search Jina Reader API
      • ai-search Jina Search API
      • ai-search 搜索、重排与读取内容
      • ai-search PDF 文件处理
      • ai-search 推理问答
      • Google Custom Search JSON API
      • ai-search 意图识别
      • ai-search 问题重写
      • ai-search 系统 API 接口 WebSocket 版本
      • ai-search 搜索代码实现 WebSocket 版本
      • ai-search 生成建议问
      • ai-search 生成问题标题
      • ai-search 历史记录
      • Discover API
      • 翻译
      • Tavily Search API 文档
      • 对接 Tavily Search
      • 火山引擎 DeepSeek
      • 对接 火山引擎 DeepSeek
      • ai-search 搜索代码实现 SSE 版本
      • jar 包部署
      • Docker 部署
      • 爬取一个静态网站的所有数据
      • 网页数据预处理
      • 网页数据检索与问答流程整合
    • 63 · 语音 Agent

      • 63_voice-agent
      • 整合Gemini realtime模型
      • Voice Agent 前端接入接口文档
      • 整合千问realtime模型
      • 打断支持
      • 主动介入
      • eleven labs
      • 基于 tio-boot + ElevenLabs 构建实时语音 Agent(支持打断与主动介入)
    • 64 · AI Coding

      • 64_ai-coding
      • Cline 提示词
      • Cline 提示词-中文版本
    • 65 · AI Browser

      • deepseek-browser-use:从入门到源码
      • deepseek-browser-use:概念与学习路线
      • 安装、启动与健康检查
      • 第一个任务:打开页面、读取结果与关闭
      • 客户端:dsb 命令行、Python 与 PowerShell
      • 统一命令接口与人机协作
      • 浏览器、profile 与登录态
      • 窗口尺寸与页面视口
      • 接入智能体:观察、执行与验证
      • 表单与多层弹窗排障:防止重复提交
      • 调用追踪、页面留档与文件上传
      • 站点配方、技能与异步作业
      • Windows OCR:本地图片与页面文字识别
      • 配置项与运维自省
      • 命令清单
      • 源码教程:从 HTTP 请求到命令执行
      • DOM 原理:前端如何生成可交互快照
      • DOM 原理:Java 模型与跨 Frame 索引
      • 正文提取与上层结构化处理
      • 源码教程:生命周期、导航与页签
      • 源码教程:DOM、页面状态与元素读取
      • 源码教程:点击、输入、键盘与鼠标
      • 源码教程:等待条件与 JavaScript 执行
      • 源码教程:文件上传、截图、PDF 与 OCR
      • 源码教程:Cookie、存储与页面设置
      • 源码教程:网络记录、请求拦截与控制台
      • 源码教程:原生对话框、DOM 弹窗与人机协作
      • 源码教程:批量、配方、后台作业与维护
      • 源码教程:Chrome 走 CDP 与 CDP 客户端
      • 请求响应关联与线程约束
  • 项目实战

    • 66 · java-uni-ai-server

      • 66_java-uni-ai-server
      • 语音合成系统
      • Fish.audio TTS 接口说明文档与 Java 客户端封装
      • 整合 fishaudio 到 java-uni-ai-server 项目
      • 待定
    • 67 · java-llm-proxy

      • 67_java-llm-proxy
      • 使用tio-boot搭建多模型LLM代理服务
    • 68 · java-kit-server

      • 68_java-kit-server
      • Java 执行 python 代码
      • 通过大模型执行 Python 代码
      • 执行 Python (Manim) 代码
      • 待定
      • 待定
      • 待定
      • 视频下载增加水印说明文档
    • 69 · tio-im

      • 69_tio-im
      • 通讯协议文档
      • ChatPacket.proto 文档
      • java protobuf
      • 数据表设计
      • 创建工程
      • 登录
      • 历史消息
      • 发消息
    • 70 · tio-mail-wing

      • 70_tio-mail-wing
      • tio-mail-wing简介
      • 任务1:实现POP3系统
      • 使用 getmail 验证 tio-mail-wing POP3 服务
      • 任务2:实现 SMTP 服务
      • 数据库初始化文档
      • 用户管理
      • 邮件管理
      • 任务3:实现 SMTP 服务 数据库版本
      • 任务4:实现 POP3 服务(数据库版本)
      • IMAP 协议
      • 拉取多封邮件
      • 任务5:实现 IMAP 服务(数据库版本)
      • IMAP实现讲解
      • IMAP 手动测试脚本
      • IMAP 认证机制
      • 主动推送
      • namesapce
      • CONDSTORE and QRESYNC
    • 71 · tio-mcp-server

      • 71_tio-mcp-server
      • 实现 MCP Server 开发指南
      • MCP 协议
      • /zh/71_tio-mcp-server/11.html
    • 72 · tio-log-server

      • 72_tio-log-server
      • 简介
      • 收集 docker 日志
      • 入库
    • 73 · tio-sip

      • 73_tio-sip
      • SIP Server 第一版原理说明
      • SIP Server 第一版实战
      • 一、Windows 平台测试
      • SIP Server 第二版实战
      • SIP Server 第三版实战
      • 性能优化
      • 基于 MediaProcessor 对接 Realtime 模型说明
      • 对接大语言模型
      • 支持 G722 宽带语音
      • G722编码和解码
      • 会话级采样率转换
      • 增加 9196 回声测试分机
      • 语音系统链路说明
      • 一、Gemini Realtime 的打断机制
    • 74 · tio-boot-admin

      • 74_tio-boot-admin
      • 入门指南:使用框架内置配置
      • 手动初始化数据库
      • 配置职责、生效条件与扩展边界
      • 整合数据库
      • 与前端集成
      • 文件上传
      • 网络请求
      • 单图片管理(只读模式)
      • 多图片管理
      • 布尔值管理
      • 字段联动
      • Word 管理
      • PDF 管理
      • 文章管理
      • 富文本编辑器
      • 整合 Enjoy 模版引擎
      • 历史可选方案:Token 存储与 Sa-Token
      • 业务 API 与 H5 / 小程序联调
      • 方法路由与业务鉴权
      • 整合 Redis
      • 整合 Elasticsearch
      • 后端开发规范:tio-boot、java-db 与 Kv
      • 多表实现文件数据存储
      • 受限事项与原操作闭环
    • 75 · 案例

      • 75_examples
      • 封装 IP 查询服务
      • tio-boot 案例 - 全局异常捕获与企业微信群通知
      • tio-boot 案例 - 文件上传和下载
      • tio-boot 案例 - 整合 ant design pro 增删改查
      • tio-boot 案例 - 流失响应
      • tio-boot 案例 - 增强检索
      • tio-boot 案例 - 整合 function call
      • tio-boot 案例 - 定时任务 监控 PostgreSQL、Redis 和 Elasticsearch
      • Tio-Boot 案例:使用 SQLite 整合到登录注册系统
      • tio-boot 案例 - 执行 shell 命令
      • /zh/75_examples/11.html
      • /zh/75_examples/12.html
      • /zh/75_examples/13.html
  • 性能、原理与源码

    • 76 · 性能测试

      • 76_performance
      • 压力测试 - tio-http-serer
      • 压力测试 - tio-boot
      • 压力测试 - tio-boot-native
      • 压力测试 - netty-boot
      • 性能测试对比
      • TechEmpower FrameworkBenchmarks
      • 压力测试 - tio-boot 12 C 32G
      • HTTP/1.1 Pipelining 性能测试报告
      • tio-boot vs Quarkus 性能对比测试报告
    • 77 · 原理

      • 77_internals
      • 生命周期
      • 请求处理流程
      • 重要的类
    • 78 · 源码解析

      • 78_source-code
      • 源码阅读入口
      • Swagger 整合到 Tio-Boot 中的指南
      • 启动与关闭生命周期
      • HTTP 请求分发与路由优先级
      • 高性能网络编程中的 ByteBuffer 分配与回收策略
      • TioBootServerHandler 源码解析

爬取网页数据

  • 设计要点
  • 一次同步的走向
  • 请求与响应
  • 抓取范围
  • 正文选择器
  • HTML 转 Markdown
  • 按标题分段
  • 落库
  • 后台任务与并发
  • 接口
  • 替换同步与整体同步
  • 在界面上使用
  • 验证
  • 边界

Web 站点知识库只描述两件事:一个根地址,以及一个可选的正文选择器。后端按目录范围把站点抓下来,转成 Markdown 后按标题切成段落,逐个页面写进文档列表。抓取与向量化都在后台线程执行,创建接口立即返回,文档会随着抓取进度陆续出现,界面上的文档列表每 6 秒刷新一次,不需要等到整站抓完。

下面出现的 Java 代码是对应实现的节选,保留了与本主题相关的成员与导入。

设计要点

目标实现方式
建库即校验地址创建前真实抓一次入口页面,地址不可用或取不到正文时直接返回错误,不留空知识库
抓取范围可控只跟随入口地址所在目录下的链接,入口页之下最多再展开两层,一次最多 50 页
正文可裁剪选择器为空时取整个 body,填了就用 CSS 选择器取正文容器,命中多个元素按顺序拼接
同一页面只存一份记录重定向之后的正式地址,带后缀的旧地址不再单独成页
分段可读可检索HTML 转 Markdown 保留标题层级,按标题切分,标题链写入分段标题,正文与标题都参与向量化
同步不重复劳动文档按来源地址匹配,替换同步命中已有文档时整份替换段落;向量请求命中缓存后重复同步很快
同步不互相踩同一知识库、同一文档同时只允许一个抓取任务,重复触发返回明确提示
失败可见可重试抓取失败的地址仍会建一条失败状态的文档,用户在列表里能看到并再次同步

一次同步的走向

flowchart TD
    A[创建 Web 站点知识库] --> B[校验名称与向量模型]
    B --> C[抓取入口页面]
    C -->|失败| D[返回错误, 不建知识库]
    C -->|成功| E[写入知识库 type=1 与 meta]
    E --> F[返回知识库详情, document_list 为空]
    E --> G[后台线程继续抓取]
    G --> H[按目录前缀展开子链接]
    H --> I[每页转 Markdown 并按标题分段]
    I --> J[分段正文与标题向量化]
    J --> K[文档与分段同事务落库]
    K --> L[文档列表出现新页面]

请求与响应

创建接口是 POST /api/dataset/web:

{
  "name": "tio-boot",
  "desc": "tio-boot 站点资料",
  "embedding_mode_id": 1002,
  "source_url": "https://www.tio-boot.com/",
  "selector": ""
}

type 由后端固定写成 1(Web 站点),前端即使带上 type 也不影响结果;selector 允许为空。

{
  "code": 200,
  "message": null,
  "data": {
    "id": "696030923267534848",
    "name": "TIO-BOOT 官网抓取",
    "desc": "抓取 tio-boot 官网首页与两层子页面,验证网页知识库",
    "type": "1",
    "embedding_mode_id": "1002",
    "meta": {
      "source_url": "https://www.tio-boot.com",
      "selector": "",
      "embedding_mode_id": 1002
    },
    "document_list": []
  }
}

document_list 此刻一定是空数组:页面还在后台抓。地址末尾的斜杠与 # 片段会被去掉,重定向也会归一到正式地址,meta.source_url 里存的就是这个规范化之后的地址,后续同步直接用它。

抓取范围

规则取值说明
跟随层数入口页 + 2 层子链接入口页算第 0 层,第 2 层页面里的链接不再继续展开
目录范围入口地址所在目录入口是 /zh/15_java-db/01 时,只抓 /zh/15_java-db/ 下的页面,同站其它目录不抓
页面数量一次最多 50 页达到上限时写出日志并停止
单页超时20 秒超时或非 200 的页面记一条告警后跳过
单页体积5 MiB超过后不再读取响应体
重定向记录最终地址带 .html 的地址被 308 重定向到正式地址时,只保留正式地址那一份
链接来源整页所有 <a href>导航、页脚里的链接照样跟随,只是它们的文字不进正文

所以同一个知识库的页面范围是「入口地址那一节」,不是整站。想抓整站就把根地址写成站点根路径,想只抓一节就直接把入口地址写成那一节的首页地址。

正文选择器

选择器按 CSS 选择器解析,界面上提示的 .classname、#idname、tagname 三种写法都能用:

输入行为
留空取整个 body
.vp-doc取该容器,命中多个时按文档顺序拼接
写错格式创建接口直接返回「选择器格式不正确」,不会悄悄退回 body
没有命中回退到整个 body,避免因为选择器写偏而抓出空文档

选择器会写进文档的 meta.selector,之后对这个文档做同步时继续使用它;知识库的 meta.selector 则是整站同步时的默认值。

HTML 转 Markdown

正文提取与转换都在同一个类里完成。抓取入口负责处理重定向、状态码与超时:

package nexus.io.mosskb.service.kb;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
import java.util.ArrayDeque;
import java.util.Deque;
import java.util.LinkedHashSet;
import java.util.List;
import java.util.Locale;
import java.util.Set;
import java.util.function.Consumer;

import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

public class WebCrawlService {

  /** 部分站点会过滤默认 UA,因此使用浏览器 UA。 */
  public static final String USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36";

  private static final int TIMEOUT_MS = 20_000;
  private static final int MAX_BODY_BYTES = 5 * 1024 * 1024;
  private static final int MAX_DEPTH = 2;
  private static final int MAX_PAGES = 50;

  public record Page(String url, String name, String markdown, List<String> links) {
  }

  /** 抓取单个页面,链接只用于继续扩散,不计入正文。 */
  public Page fetch(String url, String selector) throws IOException {
    String target = absoluteUrl(url);
    if (target == null) {
      throw new CrawlException("Web 根地址必须是 http 或 https 地址");
    }
    Connection.Response response;
    try {
      response = Jsoup.connect(target).userAgent(USER_AGENT).timeout(TIMEOUT_MS).maxBodySize(MAX_BODY_BYTES)
          .followRedirects(true).ignoreHttpErrors(true).execute();
    } catch (IOException e) {
      throw new CrawlException("无法访问该地址:" + e.getMessage());
    }
    if (response.statusCode() != 200) {
      throw new CrawlException("目标地址返回 HTTP " + response.statusCode());
    }
    Document document = response.parse();
    // 记录重定向之后的正式地址,避免同一页面按多个地址重复入库。
    String finalUrl = absoluteUrl(response.url() == null ? target : response.url().toString());
    return new Page(finalUrl == null ? target : finalUrl, pageName(document, finalUrl), markdown(document, selector),
        pageLinks(document));
  }
}

逐层展开时,每抓到一页就立即回调,调用方可以边抓边落库,不必等整站抓完:

package nexus.io.mosskb.service.kb;

import java.io.IOException;
import java.util.ArrayDeque;
import java.util.Deque;
import java.util.LinkedHashSet;
import java.util.Set;
import java.util.function.Consumer;

public class WebCrawlService {

  /**
   * @param firstPage 已经抓取过的入口页面,可为空;不为空时不再重复请求入口地址
   * @param onPage    每抓到一个页面就回调一次,由调用方决定如何落库
   */
  public int crawl(String sourceUrl, String selector, Page firstPage, Consumer<Page> onPage) throws IOException {
    String entry = absoluteUrl(sourceUrl);
    if (entry == null) {
      throw new CrawlException("Web 根地址必须是 http 或 https 地址");
    }
    String prefix = directoryPrefix(entry);
    Set<String> visited = new LinkedHashSet<>();
    Deque<Object[]> queue = new ArrayDeque<>();
    int count = 0;
    if (firstPage != null) {
      count++;
      visited.add(trimSlash(firstPage.url()));
      onPage.accept(firstPage);
      for (String link : firstPage.links()) {
        if (link.startsWith(prefix)) {
          queue.add(new Object[] { link, 1 });
        }
      }
    } else {
      queue.add(new Object[] { entry, 0 });
    }
    while (!queue.isEmpty() && count < MAX_PAGES) {
      Object[] current = queue.poll();
      String url = (String) current[0];
      int depth = (Integer) current[1];
      if (url == null || !visited.add(trimSlash(url))) {
        continue;
      }
      Page page;
      try {
        page = fetch(url, selector);
      } catch (IOException e) {
        continue;
      }
      String canonicalKey = trimSlash(page.url());
      if (!canonicalKey.equals(trimSlash(url)) && !visited.add(canonicalKey)) {
        continue;
      }
      count++;
      onPage.accept(page);
      if (depth >= MAX_DEPTH) {
        continue;
      }
      for (String link : page.links()) {
        if (link.startsWith(prefix) && !visited.contains(trimSlash(link))) {
          queue.add(new Object[] { link, depth + 1 });
        }
      }
    }
    return count;
  }
}

HTML 转 Markdown 用一次深度遍历完成,标题层级、列表、表格、代码块、链接与图片都换成 Markdown 写法,脚本、样式、表单、导航、页脚这类节点整棵跳过:

package nexus.io.mosskb.service.kb;

import java.util.Locale;
import java.util.Set;

import org.jsoup.nodes.Element;
import org.jsoup.nodes.Node;
import org.jsoup.nodes.TextNode;

public class WebCrawlService {

  private static final Set<String> SKIPPED_TAGS = Set.of("script", "style", "noscript", "template", "svg", "canvas",
      "iframe", "head", "form", "select", "option", "button", "nav", "footer", "aside");

  private static void appendNode(Node node, StringBuilder out, String baseUri) {
    if (node instanceof TextNode textNode) {
      out.append(textNode.getWholeText().replace('\u00a0', ' '));
      return;
    }
    if (!(node instanceof Element element)) {
      return;
    }
    String tag = element.tagName().toLowerCase(Locale.ROOT);
    if (SKIPPED_TAGS.contains(tag) || element.hasAttr("hidden")) {
      return;
    }
    switch (tag) {
      case "h1", "h2", "h3", "h4", "h5", "h6" -> {
        int level = tag.charAt(1) - '0';
        out.append("\n\n").append("#".repeat(level)).append(' ').append(inline(element, baseUri)).append("\n\n");
      }
      case "p", "div", "section", "article", "main", "header" -> {
        out.append("\n\n");
        appendChildren(element, out, baseUri);
        out.append("\n\n");
      }
      case "ul", "ol" -> appendList(element, out, baseUri, tag);
      case "pre" -> out.append("\n\n```\n").append(element.wholeText().strip()).append("\n```\n\n");
      case "table" -> out.append("\n\n").append(table(element, baseUri)).append("\n\n");
      case "a" -> appendLink(element, out, baseUri);
      case "img" -> appendImage(element, out);
      default -> appendChildren(element, out, baseUri);
    }
  }
}

链接与图片都按页面的正式地址补全成绝对地址,因此 Markdown 里的链接复制到别处也能打开。

按标题分段

转换出来的 Markdown 仍带着 # 标题,分段就按标题切:同一标题下的正文成为一个分段,标题链(从一级标题到当前标题)作为分段标题。只有标题没有正文的小节保留标题,避免目录型页面整页丢失:

package nexus.io.mosskb.service.kb;

import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class WebCrawlService {

  private static final Pattern HEADING = Pattern.compile("^(#{1,6})\\s+(.*)$");

  public record Paragraph(String title, String content) {
  }

  /** 按标题切分 Markdown:标题构成标题链,正文构成分段内容。 */
  public List<Paragraph> split(String markdown) {
    List<Paragraph> paragraphs = new ArrayList<>();
    if (markdown == null || markdown.isBlank()) {
      return paragraphs;
    }
    String normalized = markdown.replace("\r\n", "\n").replace('\r', '\n');
    List<String> chain = new ArrayList<>();
    List<String> sectionTitles = List.of();
    StringBuilder body = new StringBuilder();
    for (String line : normalized.split("\n", -1)) {
      Matcher matcher = HEADING.matcher(line.strip());
      if (!matcher.matches()) {
        body.append(line).append('\n');
        continue;
      }
      appendSection(paragraphs, sectionTitles, body);
      body.setLength(0);
      int level = matcher.group(1).length();
      while (chain.size() >= level) {
        chain.remove(chain.size() - 1);
      }
      chain.add(matcher.group(2).strip());
      sectionTitles = List.copyOf(chain);
    }
    appendSection(paragraphs, sectionTitles, body);
    return paragraphs;
  }
}

一段 Markdown 与它切出来的分段示例:

# 快速开始

先安装依赖。

## 配置

| 参数 | 说明 |
| --- | --- |
| port | 服务端口 |
分段标题分段正文
快速开始先安装依赖。
快速开始 配置|参数|说明| 与后续表格行

小节正文超过 2000 字符时继续按行切分,保证单个分段不会过长;标题链最长按一级到当前层级拼接,标题本身不再重复出现在正文里。

落库

没有新增表:知识库用 moss_kb_dataset.meta 记录根地址与选择器,文档用 moss_kb_document.meta 记录自己的来源地址,爬来的文档类型固定为 1。

-- 知识库 meta 的形态,type 固定写成 1
-- {"source_url": "https://www.tio-boot.com", "selector": "", "embedding_mode_id": 1002}

-- 文档 meta 的形态
-- {"source_url": "https://www.tio-boot.com/zh/15_java-db/01", "selector": ""}

-- 文档按来源地址匹配,替换同步据此复用已有文档
select id
  from moss_kb_document
 where dataset_id = ?
   and meta->>'source_url' = ?;

写这类多行语句时用文本块承载,避免字符串拼接丢空格:

package nexus.io.mosskb.service.kb;

public class MossKbWebDatasetService {

  /** 同一个地址只对应一个文档,替换同步据此复用已有文档。 */
  private static final String FIND_DOCUMENT_BY_SOURCE_URL = """
      select id
        from moss_kb_document
       where dataset_id = ?
         and meta->>'source_url' = ?
      """;

  private static final String DELETE_DOCUMENT_PARAGRAPHS = """
      delete from moss_kb_paragraph
       where document_id = ?
      """;
}

一个页面对应一个文档,文档与它的分段在同一个事务里落库;重新抓取已有页面时先删旧分段再写新分段。分段的正文与标题各取一次向量,维度与知识库的向量模型约定一致:

package nexus.io.mosskb.service.kb;

import java.util.ArrayList;
import java.util.List;

import org.postgresql.util.PGobject;

import com.jfinal.kit.Kv;

import nexus.io.db.activerecord.Db;
import nexus.io.db.activerecord.Row;
import nexus.io.jfinal.aop.Aop;
import nexus.io.mosskb.constant.MossKbTableNames;
import nexus.io.tio.utils.crypto.Md5Utils;
import nexus.io.tio.utils.snowflake.SnowflakeIdUtils;

public class MossKbWebDatasetService {

  public static final String DOCUMENT_TYPE_WEB = "1";

  /** 写入或替换一个网页文档,段落与文档在同一个事务里落库。 */
  private int saveDocument(WebCrawlService crawler, Long datasetId, Long userId, Long embeddingModeId, String selector,
      WebCrawlService.Page page, Long documentId) {
    List<WebCrawlService.Paragraph> paragraphs = crawler.split(page.markdown());
    if (paragraphs.isEmpty()) {
      throw new IllegalArgumentException("页面没有可用的正文");
    }
    long id = documentId == null ? SnowflakeIdUtils.id() : documentId;
    KbEmbeddingService embeddingService = Aop.get(KbEmbeddingService.class);
    List<Row> rows = new ArrayList<>();
    int charLength = 0;
    for (WebCrawlService.Paragraph paragraph : paragraphs) {
      charLength += paragraph.content().length();
      PGobject titleVector = paragraph.title().isBlank() ? null
          : embeddingService.getVectorForModel(paragraph.title(), embeddingModeId);
      rows.add(Row.by("id", SnowflakeIdUtils.id()).set("source_id", id).set("source_type", DOCUMENT_TYPE_WEB)
          .set("title", paragraph.title()).set("content", paragraph.content())
          .set("md5", Md5Utils.md5Hex(paragraph.content())).set("status", "2").set("hit_num", 0).set("is_active", true)
          .set("dataset_id", datasetId).set("document_id", id).set("embedding",
              embeddingService.getVectorForModel(paragraph.content(), embeddingModeId))
          .set("title_embedding", titleVector));
    }
    Row document = Row.by("id", id).set("user_id", userId).set("name", page.name()).set("type", DOCUMENT_TYPE_WEB)
        .set("char_length", charLength).set("status", "2").set("is_active", true).set("dataset_id", datasetId)
        .set("paragraph_count", rows.size()).set("hit_handling_method", "optimization")
        .set("directly_return_similarity", 0.9).set("meta", pageMeta(page.url(), selector));
    Db.tx(() -> {
      if (documentId == null) {
        Db.save(MossKbTableNames.moss_kb_document, document);
      } else {
        document.set("update_time", new java.util.Date());
        Db.update(MossKbTableNames.moss_kb_document, document);
        Db.update(DELETE_DOCUMENT_PARAGRAPHS, id);
      }
      Db.batchSave(MossKbTableNames.moss_kb_paragraph, rows, 2000);
      return true;
    });
    return rows.size();
  }
}

文档状态只有两种:2 表示成功,3 表示失败。抓取失败的地址仍然建一条失败文档,名称就是地址本身,用户可以点同步重试;原本存在的文档抓取失败时只把状态改成失败,已有分段保留。

后台任务与并发

抓取在线程池里执行,接口先返回。向量请求是耗时主要来源(每个分段两次),同一个知识库同时跑两个任务则会写出重复文档,所以每个知识库、每个文档同一时间只允许一个任务:

package nexus.io.mosskb.service.kb;

import java.util.Set;
import java.util.concurrent.ConcurrentHashMap;

import lombok.extern.slf4j.Slf4j;
import nexus.io.mosskb.utils.ExecutorServiceUtils;

@Slf4j
public class MossKbWebDatasetService {

  private static final Set<String> RUNNING = ConcurrentHashMap.newKeySet();
  private static final String DATASET_KEY = "dataset:";
  private static final String DOCUMENT_KEY = "document:";

  /** 占用任务槽;返回 false 说明同一个知识库或文档的任务还在执行。 */
  private boolean acquire(String key) {
    return RUNNING.add(key);
  }

  private void release(String key) {
    RUNNING.remove(key);
  }

  /** 提交任务,任务结束(含异常)后释放任务槽。 */
  private void submit(String key, Runnable task) {
    submit(() -> {
      try {
        task.run();
      } finally {
        release(key);
      }
    });
  }

  private void submit(Runnable task) {
    ExecutorServiceUtils.getExecutorService().submit(() -> {
      try {
        task.run();
      } catch (Exception e) {
        log.error("Web 站点任务执行失败", e);
      }
    });
  }
}

再次触发时接口直接返回提示,而不是排队或并行执行:

{
  "code": 400,
  "message": "该知识库正在同步中,请稍后再试"
}

任务槽在进程内存里,多实例部署时这一层需要换成分布式锁。

接口

所有接口都要求登录,并沿用官方前端需要的 {code,message,data} 结构。

方法路径内容
POST/api/dataset/web创建 Web 站点知识库,先校验入口地址再入库,随后后台抓取
PUT/api/dataset/{id}/sync_web?sync_type=replace替换同步:重新抓取,命中来源地址的文档整份替换,新页面新增
PUT/api/dataset/{id}/sync_web?sync_type=complete整体同步:先删除该知识库全部文档与分段,再重新抓取
POST/api/dataset/{id}/document/web按地址列表导入网页文档,请求体为 source_url_list 与 selector
PUT/api/dataset/{id}/document/{documentId}/sync重新抓取一个网页文档
PUT/api/dataset/{id}/document/_bach批量同步,请求体为 {"id_list":[...]}

控制器只做参数转交,逻辑都在服务里:

package nexus.io.mosskb.controller;

import com.alibaba.fastjson2.JSON;
import com.alibaba.fastjson2.JSONObject;

import nexus.io.annotation.Post;
import nexus.io.annotation.Put;
import nexus.io.annotation.RequestPath;
import nexus.io.jfinal.aop.Aop;
import nexus.io.mosskb.service.kb.MossKbWebDatasetService;
import nexus.io.model.result.ResultVo;
import nexus.io.tio.boot.http.TioRequestContext;
import nexus.io.tio.http.common.HttpRequest;

@RequestPath("/api/dataset")
public class ApiDatasetController {

  /** 创建 Web 站点知识库:保存根地址与选择器后由后台线程抓取页面。 */
  @Post("/web")
  public ResultVo saveWebDataset(HttpRequest request) {
    JSONObject input = JSON.parseObject(request.getBodyString());
    return Aop.get(MossKbWebDatasetService.class).save(TioRequestContext.getUserIdLong(), input);
  }

  /** 同步 Web 站点知识库,sync_type 取 replace 或 complete。 */
  @Put("/{id}/sync_web")
  public ResultVo syncWebDataset(Long id, HttpRequest request) {
    return Aop.get(MossKbWebDatasetService.class).sync(TioRequestContext.getUserIdLong(), id,
        request.getParam("sync_type"));
  }

  /** 按地址列表向 Web 站点知识库导入网页文档。 */
  @Post("/{datasetId}/document/web")
  public ResultVo importWebDocument(Long datasetId, HttpRequest request) {
    JSONObject input = JSON.parseObject(request.getBodyString());
    return Aop.get(MossKbWebDatasetService.class).importDocuments(TioRequestContext.getUserIdLong(), datasetId, input);
  }
}

知识库详情与文档详情都会把 meta 作为 JSON 对象返回,前端据此回填根地址、选择器,并在文档上显示来源地址。编辑知识库时没有提交 type 也会保留原有类型与 meta,不会因为改个名字就把 Web 站点变回通用型。

替换同步与整体同步

场景替换同步整体同步
抓到的页面已存在按来源地址命中,整份替换分段先清空再抓,等于新建全部文档
抓到了新页面新增文档新增文档
页面已从站点删除旧文档保留,可在列表里手动删除旧文档随清空一起消失
分段标注、关联问题命中文档的段落被替换,标注需要重建随文档一起清空
同步过程中再次触发提示「该知识库正在同步中」同左

只想刷新正文用替换同步;站点结构变化大、想彻底对齐时才用整体同步,界面上也明确提示整体同步会先删除本地文档。

在界面上使用

在知识库页面点击创建,填名称、描述与向量模型,把类型选成 web 站点,再填根地址与选择器:

创建 Web 站点知识库

创建后进入文档列表,抓取在后台进行,页面每隔几秒刷新一次,文档按抓到的顺序出现,字符数与分段数随页面大小变化:

Web 站点知识库的文档列表

点开一篇文档可以看到按标题切出来的分段,标题就是标题链,正文是 Markdown 转换后的内容:

抓取结果的分段

需要重抓时,在知识库卡片的菜单里选同步,再选替换同步或整体同步:

选择同步方式

根地址与选择器可以在设置页里改,改完再触发同步即按新地址抓取:

设置根地址与选择器

临时补几页时用「导入文档」,一行一个地址,也可以带一个只对本次导入生效的选择器:

导入网页文档

验证

抓取链路的自动化测试覆盖 9 项:Markdown 转换(标题、列表、表格、代码块、链接绝对化、导航与脚本不参与正文)、选择器裁剪正文、选择器未命中回退 body、目录范围限制、层数限制、重定向地址只保留一份、标题链分段、超长小节切分、地址规范化与目录前缀计算。本地起一个 HTTP 服务充当站点,其中一页返回 308 重定向,用来验证同一页面不会因为两种写法各存一份。

真实站点验证以一个章节页为入口(/zh/15_java-db/01),结果符合预期:

观察项结果
抓取页面34 页,全部落在入口所在目录
文档与来源地址34 篇文档、34 个不同来源地址,没有重复
带后缀的旧地址0 篇(308 重定向统一到正式地址)
段落与字符由各页面大小决定,章节首页 23 段
重复触发同步第二次返回「该知识库正在同步中,请稍后再试」
抓取失败的地址列表里出现失败状态的文档,重试后状态仍为失败并记录 HTTP 404

向量请求命中缓存后,同一站点再次同步会明显加快;首次抓取的时间主要花在远程向量化上,页面会随着抓取陆续出现在文档列表里。

边界

情况当前行为
正文由前端脚本渲染抓不到。抓取只解析服务端返回的 HTML,遇到必须执行 JavaScript 才有内容的页面会得到空正文并以失败告终
sitemap、分页列表不使用。页面范围完全由链接与目录前缀决定,超出范围或超过 50 页的部分不会抓
需要登录的页面不抓。抓取不带 Cookie 与凭据,只按公开地址访问
robots.txt不读取。部署方需要自行确认目标站点允许抓取,并控制同步频率
页面结构大幅改版已存在的文档按来源地址替换分段,改版后标题层级变化会让分段重新划分
多实例部署任务槽在单进程内生效,需要在外部再加一层分布式锁
附件与图片只保留链接与图片地址,不下载文件本体
Edit this page
Last Updated: 10/4/26, 2:45 AM
Contributors: litongjava
Prev
支持自定义模型
Next
隔离 Python 执行环境配置