Archetypes' http.content.limit cuts sitemaps, which then fail to parse
メンテナーはふだん 1 日以内に返信
@dpol1 がすでに取り組んでいます。
2026年11月6日 から。
評価
この issue はまだ評価されていません。
説明
The archetypes set sitemap.discovery: true and http.content.limit: 65536, and the limit applies to sitemaps too. An XML sitemap above 64 KiB is cut and fails to parse, so none of its URLs are discovered. SiteMapParserBolt marks the fetch as FETCH_ERROR and removes isSitemap, so the retry treats it as a page. sitemaps.org allows up to 50 MB.
In a 12-minute crawl of GQ32K hosts, there were 1,457 sitemap parsing failures, all on responses cut at the limit. rzo1 got 4,183 such errors in #2268. The 3.7.0 archetypes have the same settings, and there the fetch ends as ERROR. This affects the configuration shipped with the archetypes. crawler-default.yaml leaves the content size unlimited.
A higher limit in the archetypes would also apply to pages, so I suggest a separate limit for sitemaps, as we have with http.robots.content.limit and as Nutch has with sitemap.size.max. The robots.txt limit goes through the per-URL http.content.limit metadata. Sitemaps found in robots.txt or in a sitemap index already carry isSitemap=true before their fetch, so a sitemap limit could work the same way. A redirect target doesn't carry it, and neither does the retry after a parsing failure, so the limit would have to cover those too.
- 主要言語
- Java
- スター
- 1k
- フォーク
- 297
- 平均マージ
- 1日 11時間
- マージ済み PR（30日）
- 61
環境構築
- Dockerfile・Docker Compose ファイルなし
- プルリクエストのテンプレートあり
- コントリビューションガイドを読む
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
apache/stormcrawler のほかの issue
-
bug
難易度 3/5 1〜2日 初心者へのやさしさ 55/100
apache/stormcrawler#2304 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
FetchItemQueues removes empty queues, which skips the politeness delay対応中かも @GGraziadei が 1 日前に担当しました。 オープンbug
apache/stormcrawler#2303 · コメント 2 件 · 担当者 2 名 ·
メンテナーはふだん 1 日以内に返信
-
[Improvement] Work towards Maven 4 Compatibility対応中かも @mvolikas が 365 日前に担当しました。 オープンgood first issue help wanted
apache/stormcrawler#1662 · コメント 2 件 · 担当者 1 名 ·
メンテナーはふだん 1 日以内に返信
-
Delete redirected pages再び着手できるかも @tomatotomata が 97 日前に担当しましたが、オープン中のプルリクエストはありません。 オープンcore good first issue
難易度 4/5 3〜5日 初心者へのやさしさ 48/100
apache/stormcrawler#994 · コメント 5 件 ·
メンテナーはふだん 1 日以内に返信
-
Normalise HTTP headers再び着手できるかも このイシューのプルリクエストはマージされずにクローズされました。 オープンcore fetcher good first issue help wanted
難易度 3/5 1〜2日 初心者へのやさしさ 38/100
apache/stormcrawler#108 · コメント 2 件 ·
メンテナーはふだん 1 日以内に返信
apache/stormcrawler の issue をすべて見る
似ている issue
-
Document and enforce pull request review guidelines対応中かも @dashorst が今日担当しました。 オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 76/100
メンテナーはふだん 1 日以内に返信
-
`Time.at(t, in: nil)` returns UTC instead of the local time (or the time zone of `t`), unlike CRubyオープン
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
メンテナーはふだん 1 日以内に返信
-
hermes-queue
難易度 1/5 1時間未満 初心者へのやさしさ 72/100
chrisalunlloyd2-sudo/mindpalace#349 ·
メンテナーはふだん 1 日以内に返信
-
Retry-After parser accepts invalid delay-seconds values対応中かも @Dhruvraj-Rana が今日担当しました。 オープンBug
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
open-telemetry/opentelemetry-java#9018 ·
メンテナーはふだん 2 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
dropwizard/dropwizard#11410 ·
メンテナーはふだん 1 日以内に返信