README.zh.md 8.0 KB
description: "ctx.web 的匿名公共 HTTP(S) 抓取后端：部署方如何挂载有界、安全的 URL 抓取，含同源重定向与仅文本解码。"
kind: "package-reference"
@deepseek-ai/dsh-web-fetch-http
English | 中文
概述
有了 dsh-web-fetch-http，harness 可以通过 web 服务（ctx.web）抓取公共 HTTP(S) 页面，并在不发送凭据的情况下获得状态码与有界、解码后的内容。当组合需要 URL 校验、公开地址解析、连接固定、仅同源重定向、字节和字符上限及显式产品 User-Agent 时选择它。它把非 2xx 响应作为结果而非错误返回，并拒绝非公开目标、二进制数据与不受支持的内容类型。面向模型的 web_fetch 工具位于 dsh-tool-web，由它渲染本提供方的正文。
目录
使用本包
在已加载 web 服务的组合中挂载本提供方；它以 http 抓取提供方身份注册，因此当它是唯一可用的抓取后端时，ctx.web.fetch() 会自动解析到它——也可以用 fetchProvider: http 固定。
何时选择
当部署必须以有界输出和安全传输抓取公共页面时选择此后端：不发送凭据，每个已解析地址必须是公共地址，每次连接都固定到已校验的地址集合，重定向无法逃出源站，每个响应都有上限。
最小配置
加载 web 服务与本提供方；可配置上限都有安全默认值，并在插件构造时验证，因此无效值会直接报错，而不是构造出上限荒谬的提供方。URL 安全上限固定为 2,048 个字符。
- name: '@deepseek-ai/dsh-web'
- name: '@deepseek-ai/dsh-web-fetch-http'
| 字段 | 默认值 | 含义 |
|---|---|---|
maxResponseBytes |
5,000,000 |
响应主体最大字节数 |
maxBodyChars |
100,000 |
解码主体最大字符数 |
timeoutMs |
30,000 |
抓取超时——资源兜底，不是面向模型的工具预算 |
maxRedirects |
5 |
同源重定向最大跳数（0 表示不跟随） |
userAgent |
deepseek-harness/… |
每次请求发送的 User-Agent 标头 |
生成的配置目录是每个受支持字段及其 JSDoc 的穷尽式真源。
抓取返回什么
成功调用产生 WebFetchResult：允许的重定向之后的最终 URL、HTTP 状态码、分类为 html 或 text 的解码正文，以及 truncated 标志。非 2xx 响应是结果而非错误——状态码是被抓取资源状态的一部分；WebError 只用于无法安全获取或表示资源的失败。
const page = await ctx.web.fetch({ url: 'https://example.com' })
// page.body.kind === 'html' | 'text'; page.statusCode === 200 | 404 | ...
传输行为
提供方保持请求匿名且有界：只接受不含内嵌凭据且不超过 2,048 个字符的 http: 与 https: URL。它只解析一次主机名；只要结果中有任何 IPv4 或 IPv6 地址不是公共单播地址，就拒绝整个结果，并把连接固定到已校验的地址集合。IPv6 检查会发现活动 DNS64 前缀，并拒绝指向非公开 IPv4 的转换地址。每次同源重定向都会重复解析与固定；跨源重定向会失败并要求重新调用。提供方还强制执行字节、字符、跳数和时间上限，拒绝不支持的内容类型，并发送显式产品 User-Agent。
失败与恢复
失败会抛出 WebError，其中包含可供程序路由的错误码：WEB_INVALID_URL、WEB_BLOCKED_URL、WEB_FETCH_TOO_LARGE、WEB_FETCH_TIMEOUT、WEB_REDIRECT_BLOCKED、WEB_UNSUPPORTED_CONTENT_TYPE、WEB_ABORTED 或 WEB_PROVIDER_ERROR。直接调用方可以按错误码路由；面向模型的 web_fetch 工具会在自己的错误包装层内把失败文本呈现给模型。
理解实现
实现细节——点击展开
本节解释提供方背后的设计决策；可观察行为已在[使用本包](#use-this-package)中完整说明。 ### 设计理念 本包基于一项职责分离和一套分层超时机制： - **安全获取与呈现分离。** 本提供方拥有 URL 校验、公开地址强制规则、连接固定、HTTP 传输、重定向策略、上限、charset 解码与二进制拒绝；`dsh-tool-web` 拥有 HTML→markdown 与截断格式化。非 2xx 响应是数据，不是失败。 - **两层超时。** 提供方的 `timeoutMs` 是直接 `ctx.web.fetch()` 调用方的资源兜底；面向模型的工具调用预算属于 `dsh-tool-call-timeout-policy`，由它触发 `exec.signal`。外层截止期限先到时，提供方报告 `WEB_ABORTED`，策略再以 `TOOL_TIMEOUT` 替换；因此 `WEB_FETCH_TIMEOUT` 标识的是提供方预算耗尽的直接服务调用方。 ### 源码地图 | 文件 | 职责 | |---|---| | [`src/index.ts`](src/index.ts) | 插件入口：配置 schema、上限验证、提供方注册 | | [`src/provider.ts`](src/provider.ts) | `HttpFetchProvider`：固定连接、重定向跟随、有界读取、charset 解码 | | [`src/network.ts`](src/network.ts) | 公开地址解析、DNS64 发现与连接固定 | | [`src/policy.ts`](src/policy.ts) | URL 校验、同源检查、内容类型分类、charset 解析 | | — | 不发布运行时不变量配套入口；除所属 seam 强制执行的约定外，本包没有独立的事件序列或可变数据关系。 | ### 读取路径 抓取先校验 URL，只解析一次主机名，结果中只要有非公开地址就拒绝，并把连接固定到已接受地址。每次同源重定向都重复该检查；跨源重定向或非公开目标在接收响应字节前失败。最终响应按 `Content-Type` 分类、依声明的 charset 解码，并在字节上限内读取；解码后的文本再截断到字符上限。进一步探索
当包级约定不够用时阅读以下页面。它们从共享词汇逐步进入服务、面向模型的工具与设计依据。
- web 子系统——穷尽式的抓取请求／结果词汇与错误码。
- web 包映射——六包家族与各角色。
- dsh-web——本提供方注册进入的 web 服务。
- dsh-tool-web——渲染本提供方正文的面向模型
web_fetch工具。 - 生成配置目录——每个受支持配置字段及其源声明。
- web 能力 seam 决策——搜索与抓取为何共用一项提供方选择服务。
模型体验
间接地，通过 dsh-tool-web：该工具把本提供方经 maxBodyChars 限制的解码文本或由 HTML 转换得到的 markdown 置于抓取结果包装层内，而重定向、标头与传输上限保持隐藏。
KV Cache 影响
不会直接导致 KV Cache 失效；请求前缀变更由上述消费方负责。
已知限制与延期工作
这些限制说明提供方何时不安全或不合适。它们是当前包约束。
- 只解码文本内容——包括 html/xhtml 与
text/*加 JSON/XML 家族；缺少Content-Type或任何二进制类型都会抛出WEB_UNSUPPORTED_CONTENT_TYPE，可提取文本的 PDF 解码属于明确的延期工作。 - charset 只来自
Content-Type标头（默认 UTF-8）——HTML<meta charset>声明会被忽略；声明但无法识别的 charset 标签会抛出异常，而非回退。