喜报！

历经 5 个月的打磨，Zeno v2 的 PR 合并了。

https://github.com/internetarchive/Zeno/pull/166

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

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

STWP 2025 第 19 周周报

本周的产量同样稀少，记一点流水账吧。

- 用 Go 重写了两年前写的 https://github.com/saveweb/fdroidswh 小玩意，用于跟踪 F-Droid Repo 的应用更新，将源代码仓库推送到 SWH 存档。 https://service-fdroidswh.saveweb.org/
- 响应了 6 个画吧备份导出请求。
- dokuwiki dumper 小重构 WIP: https://github.com/saveweb/dokuwiki-dumper/pull/14
- 把我们的 Gentoo 服务器滚到了最新。
- 由于长期没有任务，停掉了所有的 tracker 。

存档误入深水区——If Summer is calling us

去年我在寻 Golang 写的 WARC archiver，然后发现了 Zeno。把玩一番，发现些问题，然后发 PR 修，慢慢就参与进去了。

两个月前，突然时不时蹦出些非 web archiving 领域相关的 GitHub 账号跑来 Zeno 这个冷门项目发奇怪的 issue 和 PR。我一开始还以为是啥新型社工攻击，问了开发者才知道是因为 Google Summer of Code，所以人们跑过来套磁。

定睛一看，果然 Zeno 在 Internet Archive 今年 Google Summer of Code 的预定范围内。
以前只说过但没了解过 GSoC ，它 FAQ 说，只要是18+在校生或者开源新手，就可以写份关于你想要做的项目的提案（proposal）申请参加。

然后再一瞅，什么，参加 GSoC 竟然有钱拿！如果人在中国，成功结项能拿到 3600$ 津贴（GSoC 根据各国的「人均平价购买力」来决定津贴数额，并设有上下限）。这下必须狠狠参加了。😂

于是我也交了份提案，内容主要是说做 Headless archiving、修 CSS parser、修现有 issue、写个类似 httpbin 的 dummy site 方便做 E2E 测试。

https://summerofcode.withgoogle.com/programs/2025/projects/afDanpOP

提交提案之后就是一个多月漫长的等待了，这期间也没完全闲着，糊了些PR。

GSoC 竞争还是挺激烈的，今年总共 13k 申请人，最终被接受的只有 1.2k。今年和我一同被入选 IA 的 GSoC contributor 只有 5 位。

这周联系上了我的 GSoC 项目导师，进了 IA 的 Slack 旁观了他们开周会，很酷，竟然看到了 Brewster Kahle 出现。🤩

又能做存档，又能线上观摩 IA，又能搓代码，还有米。接下来，就是要在这个暑假把提案给实现，通过中期和最终评估。

感谢 Google。虽然 Google 过去一年杀死了 goo.gl 短链、关闭了搜索快照。😅
感谢 Zeno 的开发者 CorentinB 。
感谢 @Ovler 检查我的 proposal 。
感谢 IA 。

这个夏天我们直接原地起飞。

儿童节快乐。

画吧的域名 haowanlab.com 过期了，被阿里云拿去竞拍，最终成交价拍出了 5210 元。

这域名有这么值钱吗。我不理解，震撼。
有没有域名玩家给大家解释一下？

刚给画吧老板打了电话让他注意注销 ICP 备案以防域名被接盘侠滥用而背锅。
这应该是最后一次帮画吧了。
R.I.P.

今天（6月9日）是国际存档日（International Archives Day）

STWP 2025 20 至 25 周，合并周报。

过去一个月是期末，没时间。现在好久没发周报了，快速过一下最近5周做了啥。主要做的事是 Zeno，没有开其它存档项目。

week 20-21 https://github.com/internetarchive/Zeno/pull/281 稍微重构 Zeno 处理对象存储的代码，添加解析 Azure Blob 的能力。 https://github.com/internetarchive/Zeno/pull/295 让 Zeno 终端输出的日志变彩色。

week 23
https://github.com/internetarchive/Zeno/pull/324 小小地引入标准 css 解析器，替换掉原本简陋的容易产生误报的正则提取方式。 (CSS 1/3)

week 24
None

week 25
- https://github.com/Crossbell-Box/xLog/pull/2230 前几周惊人地发现 xLog 上的一半的新文章是 spam，于是打标然后跑了个简单的 TF-IDF 分类器来识别 spam 账号。这周把识别结果人工检查了一下，把 spam 账号列表发给 xLog。
- https://github.com/internetarchive/Zeno/pull/339 支持提取 CSS 的 @import 链接。(CSS 2/3)
- https://github.com/internetarchive/Zeno/pull/345 完整支持解析 html 嵌入和引用的 css 资源。同时，发现上游的 css parser 不支持 CSS Nesting 和未适配“现代” css 语法。由于没有精力给上游修bug，因此写了个更鲁棒的正则来作为 parser 失败时的 fallback parser 当作 workaround。 (CSS 3/3)
- https://github.com/microsoft/vscode-css/pull/43 在 debug CSS 的过程中发现 VSC 自带的 CSS 高亮也没适配11年前的“新”语法标准。@overflowcat 得知后刷了一个 PR 。
- https://github.com/internetarchive/Zeno/pull/353 改善了对 GitHub Issue 页面的存档效果。
- 向 Zeno 添加 Headless/Headfull 存档功能（进行中）

这几周看 w3c 和 whatwg 都要看吐了，之后会发点关于 CSS、浏览器、URL、HTML、编码 之类的小故事。

STWP 2025 26 周周报

还是全是 Zeno 。

- https://github.com/internetarchive/Zeno/pull/356 Headless/Headfull 存档 PR 发了，PR 仍在 WIP。（测试可以存档知乎专栏！）
- https://github.com/internetarchive/Zeno/pull/370 解析非 UTF-8 的 HTML，PR 仍在 WIP 。
- https://github.com/internetarchive/Zeno/pull/369 加了丢弃超过指定 payload 大小的响应的功能。
- https://github.com/internetarchive/gowarc/pull/115 主要是修了 gowarc 在上层的 HTTP TCP Conn 出现异常关闭时 (early EOF, io timeout, conn closed/reset)，由于没有向下 .CloseWithError()，而是调用常规的 .Close()，导致下层的 MITM 套娃 HTTP TCP Conn 以为是正常 EOF，最终导致，对于没有 Content-Length 头的流式响应，这类 early EOF 的响应被当成正常响应而被写入了 WARC 存档中。（而对于更常见的非流式响应，由于存在 Content-Length，即使 early EOF 仍然被当成了正常 EOF，但是由于 go 的 http 标准库的 http.ReadRespon() 会用 io.LimitReader 来组装 Response.Body ，这样的 Response.Body 会自己做一次额外的 EOF 位置与 Content-Length 位置的匹配检查，如果不匹配会返回 early EOF。换句话说，这 BUG 在大部分情况下被标准库缓解了导致我们没发现。）。然后还修了 Conn.SetReadDeadline() 木有生效、临时文件泄漏的问题。