2025-04-17 10:05:18

微软明确说明 Windows 11用户在安装4月累积更新（KB5055523）后，不能删除系统创建的“inetpub”文件夹！！如果已经删了，需要按步骤恢复这个“inetpub”文件夹，以提高系统安全性。

最近很多人在安装微软发布的 Windows 11 4月累积更新（KB5055523）后，发现系统C盘根目录下神秘出现了一个名为 “inetpub” 的空文件夹。当时大家一致认为这又是伟大的阿三程序员写出新bug了。

“inetpub” 文件夹通常是微软 Internet 信息服务 (IIS) 创建的，IIS 是微软推出的 Web 服务器软件，用于在Windows 11上托管网站或应用程序，一般情况下只有在启用 IIS 后根目录才会出现 “inetpub” 文件夹，但在此次更新中，即使用户未启用 IIS 该文件夹也会自动创建。看起来十分不正常，于是大家都认为这是个 bug。

于是很多科技博主都表示 “这个 “inetpub” 文件夹可以删除，本身这个文件夹也是空的，测试删除后不会对系统造成任何负面影响”，我也受不了C盘有个陌生文件夹，就给删了，结果尴尬了……

但其实这个操作是为了修复漏洞“CVE-2025-21204”的，估计微软没想到大家会如此在意系统根目录出现陌生文件夹，在更新日志中压根没提到会有这个操作，考虑到用户删除“inetpub”后会影响系统安全，微软最近又更新日志添加了这个文件夹的说明。

注意：直接手动重建这个文件夹对修复漏洞“CVE-2025-21204”是没有作用的！需要按正确步骤恢复

恢复方式一：
1. 点开开始菜单
2. 在搜索框里搜索开启或关闭 Windows 功能并打开
3. 勾选 IIS 服务 (Internet Information Services) 并点击确定
4. 等待 1、2 分钟 IIS 服务会完成安装，此时会自动创建“inetpub”文件夹
5. 随后关闭 IIS 服务

恢复方式二（微软的推荐做法）：
1. 设置 → Windows更新 → 更新历史记录
2. 拉到底，选「卸载更新」
3. 找到 「用于Microsoft Windows的安全更新（KB5055523）」，点击卸载，等待卸载完毕后，重启电脑
4. 重启后，再次检查系统更新，并重新安装「适用于 Windows 11 Version 24H2 的 04 累积更新，适合基于 x64 的系统 (KB5055523)」即可自动恢复“inetpub”文件夹。

The post WIN11更新后，C盘下莫名多出的神秘空文件夹inetpub不是BUG，不要删 appeared first on 秋风于渭水.

2025-04-16 15:20:54

Claw Cloud Run是 Claw Cloud 旗下的轻应用平台，你可以理解成 Vercel、Netlify 之类的东西，既是 PaaS 平台，也有 Serverless 服务，还能跑类 Docker 项目（不是直接用 Docker 跑的，是自动适配，用 Serverless 形式跑的），可以快速部署 Alist、Rsshub、Memos、Uptime Kuma、Chatgpt-next-web等程序。甚至可以用来跑 Minecraft 游戏服务器，注册即送 5 刀额度，如果绑定一个注册超过180天的 Github 账号可以永久享受每月5美元的额度。每个可用区有4H 8G 10G 资源，一共 10 GB 流量。

有白嫖自然是很开心的嘛，虽然Vercel也挺好用的，但是Claw Cloud Run还有免费的数据库可用，跑一些个人项目会更加方便一点，最主要是，新加坡区和日本区到国内的速度相当不错：

注册页链接 (有AFF)

如果不想走我的AFF的话，自己谷歌一下「Claw Cloud Run」就能找到官网了。

使用注册超过180天的github账号登录的话，可以享受每月5刀的赠送，不需要信用卡。
如果没有的话，则只会赠送一次5刀的额度。

注意：每月送的5刀的账户，还是免费计划而不是爱好计划。送你的5刀是让你抵扣使用费用的。
根据页面上的预计费用，Alist 每天0.04刀，WordPress 每天0.06刀，通过适当自行缩小容器配置，算下来每个月免费部署4、5个自用项目还是没问题。

如何缩小容器配置

默认他一个项目最小给1H1G，对于有些小项目，实在太奢侈了，适当改小可以有效降低部署费用。
我有个给贴吧自动签到的脚本，这玩意本地跑才占用几M好不，所以我只给了0.1核64M内存。每天仅需1分钱（其实用不到的，只是因为显示上最小差值是 0.01元）。

1. 进入应用列表
2. 点进需要修改的项目
3. 左上角有个「Update」，点进去
4. 愉快的把CPU和内存改小就好了。

PS： Claw Cloud（阿爪云，又名阿里云青春版）小道消息称，这是阿里云在新加坡开的马甲（因为他们基础设施都是用的阿里云的）。不过也有一种可能是基于阿里云的二道贩子在蹭热度，这在云服务提供商中也并不少见。

The post Claw Cloud Run 免费容器来了，无需信用卡，Github账号满180天，终身每月送5$ appeared first on 秋风于渭水.

2025-03-23 11:47:56

我也没开广告拦截收入挽回啊，谷歌就偷偷通过扩展静默注入广告拦截收入挽回代码了？
我对大家拦截站内广告的态度是：不喜欢看那就拦截掉，不想看广告是用户的权利。

开始我还以为谷歌这是广告营收下滑了，着急了。
结果去查了一下。啥，营收反而涨了？
哦，不会就是靠这种方式涨的吧

随后我再仔细一看，好嘛
反反广告拦截收入挽回也被自动注入了
去广告拦截器拦截了广告拦截收入挽回会被检测

但问题是，我压根就没开这个功能，adsense 内这个选项也是关闭状态，这完全是谷歌自作主张自行强制加入的。

从“不作恶”到“做正确的事”
从“技术导向”到“资本导向”
谷歌公司正在向下一个波音公司一路狂奔……

The post 谷歌这是在干啥？强制给我开个广告拦截收入挽回？ appeared first on 秋风于渭水.

2025-03-19 20:20:36

为了解决几十万量级图片库内异常图片的检测，折腾出了一个基于 python 的图片检测程序。

一、混乱的图片仓库

用前一段发现的本地 AI 图片视频搜索引擎 MaterialSearch 整理十几年间积累的几十万张图片时，遇到了一个令人崩溃的场景：有上百张图片报损坏，经过部分核查，很多文件打开后呈现诡异色块，亦或者只有半截图，还有些文件大小为 0 KB。这些损坏的图片零散的散布在数千个子文件夹中，手动一个一个检查无异于大海捞针，累死也搞不定。于是 VS code 启动！！

二、初版方案

用 Pillow 暴力验证，直接用 Pillow verify()看看是否报错来解决。

代码V1.0方案（基础检测逻辑）

from PIL import Image

def check_img_v1(path):
    try:
        Image.open(path).verify()
        return True
    except:
        return False

V1.0方案的情况：
1. 误报文件：很多图片会报损坏，但是用图片浏览器打开却十分正常，经过研究之后才知道，原来大量网站在使用一种叫做渐进式JPEG的技术，通过将图像数据分为多个扫描逐层渲染，可以在网速不好时图片先绘制出低分辨率的模糊轮廓，随着数据被下载逐步变为清晰图像（现代图片编码如WEBP、AVIF也都有类似的渐进式加载机制）。这导致需要完整解码才能验证所有扫描数据。因此被verify()误认为损坏。
2. 漏检文件：未完整下载的图片有时也能通过验证。
3. 性能问题：慢，按照测试计算，10万张图片的检测起码需要耗时4、5小时了。

三、改进方案

经过对 MaterialSearch 日志报错图片的抽查，发现损坏的文件主要是文件不完整导致的半截图，于是我打算改为：先检查文件结尾是否存在结束符来判定图片是否损坏，然后再做进一步检查。

代码V2.0（尾部校验部分代码）

def check_img_v2(path):
    with open(path, 'rb') as f:
        f.seek(-32, 2) #只用获取文件最后32字节就行
        trailer = f.read()
        if path.lower().endswith('.jpg'):
            return trailer.endswith(b'\xff\xd9')  # JPEG的结束符
        elif path.lower().endswith('.png'):
            return trailer.endswith(b'\xaeB`\x82')  # PNG的IEND块

V2.0方案的情况：
1. 捕获到了异常文件 ：下载一半的文件确实被检测出来了。
2. 检测了个寂寞 ：如果图片附加了元数据，图片文件很可能就不是以\xff\xd9结尾了，结果就是1000张的测试图片，在尾部检测部分逻辑，有800多张都报了损坏……想快速检查了个寂寞。

四、再次优化

使用img.load() 强制加载所有数据。对渐进式jpeg图片做特殊处理逻辑。

代码V3.0（验证部分的修改）

def check_img_v3(path):
    try:
        with open(path, 'rb') as f:  
            img = Image.open(f)
            img.load()  # 强制加载完整图片

            # 特殊处理渐进式JPEG
            if img.format == 'JPEG' and 'progressive' in img.info:
                img.tile = []  

            return True
    except Exception as e:
        print(f"损坏文件: {path} | 错误类型: {type(e).__name__}")
        return False

V3.0方案的情况：
1. 漏报率下降了很多
2. 渐进式JPEG兼容处理
3. 打印异常类型方便处理
4. 实际代码中自己傻逼了在verify()之后调用load()，导致文件指针不可用，说人话就是：代码逻辑中verify()做完检查后，就把图片文件关闭了，load()啥也获取不到。
5. 性能就很一般了，基本和初版差不多的速度。

五、终局之战

又经过一番研究和查证其实 Pillow verify()对渐进式图片检测是没问题的，误报率并没有我在V1测试时那么高，只是我本地环境的 Pillow 版本不够新而已，但也确实会有漏报。只用load()也会有漏报，有一点误报可以接受，但是漏报就无法接受了，所以还是需要联合检查。

最终决定采用如下逻辑
1. 先检测文件路径是否存在，收集所有路径。
2. img.verify()先上
3. 同一个循环内使用img.load()再来一次检测
4. 并行处理加快处理速度
5. 不在控制台显示扫描 log，毕竟绝大部分图片都是好的，没问题的显示出来无意义，只显示有问题的又很容易看起来像是卡住了，所以用 tqdm 做个进度条。还能大概估计下完成时间。
6. 用 jinja2 做个 html 格式的检测报告，毕竟在终端里复制粘贴起来也不方便。

代码V4.0（完善使用）

实在太长了就放github上了：img_validator.py

命令：python img_validator.py <"目录路径"> [并发数]

ex:python img_validator.py "D:\Download\图片" 8

最终会在脚本的同级目录下生成 html 格式的检测报告image_validation_report.html

• 路径最好用””框住
• 并发数可以不填，默认使用CPU全部线程。除非你用非常大的图，不然全线程跑也费不了多少CPU占用。
• 理论上 10W 张图片在 12 线程下，用时应该半小时都不到，不过实际上受制于仓库盘使用的是 HDD 只能到 20~40files/s，机械硬盘的读出速度跟不上检测速度，特别是到最后20%的时候，速度更是掉到只有个位数了。18W 张图片的文件夹，检测用时接近5个小时，平均速度 ≈ 11 files/s
  
• windows 和 unix 系统都可用，代码会自动处理两者的路径差异。

为什么会有这么多图片损坏

自己十年前写的P站抓取代码不完善，如果因为网络超时导致图片下载失败，爬虫会重试，但是之前损坏的图片有可能并不会被正确清除（删除部分代码没有正确处理超长文件名和带特殊符号的文件名），虽然带问题代码只使用了从14年到16年这大约一坤年，但是也积累了接近 600 张问题文件。不过倒是挺奇怪的，抓全年龄的部分出现大量这种问题，抓R18的几乎就没出错过，这是又为什么呢，沉思中…………

The post 如何快速批量检索损坏的图片文件—python开发学习笔记（一） appeared first on 秋风于渭水.

2025-03-12 18:06:17

收集自网络，结合自身体验得出，虽然我更多是用的自己的 DeepSeek API，但是 R1 这种思考时，一个不想小心就能想个几千字的玩法，也是有点扛不住，复杂问题还是先找免费的问的差不多了，再用自己的 API 增加体验。毕竟白嫖总是让人开心。

DeepSeek R1 可免费/白嫖网页版一览

The post DeepSeek R1 可免费/白嫖网页版一览 appeared first on 秋风于渭水.

2025-02-28 12:06:54

基于 AI 的本地素材搜索引擎。扫描本地的图片以及视频，可以用自然语言进行查找。
实现中文语义下的 以图搜图、截图搜视频、查找本地素材、根据文字描述匹配画面、视频帧搜索、根据画面描述搜索视频。找素材再也不用费力去一个个翻 tag 了。

准备运行环境

首先，默认看本文的照片视频都是存在 windows 系统上的，以下都是基于 win 系统的操作
需要准备3个或2个东西
Python 3.11.7，Git ，CUDA（不是N卡的不用装CUDA），这三个的下载地址在文章的最前边。
视情况，你可能还需要一个魔法上网工具（假设你的魔法上网工具代理在127.0.0.1:6808）

安装 Python 3.11.7 与 pip

我这里采用直接系统内安装Python 3.11.7的方式（其实安装Python3.12.9也是可用的，看你需求了。）
如果你会用Miniconda，也可以用Miniconda实现Python多版本切换。

1. 访问 Python3.11.7 下载页面

2. 把页面拉到底，找到【Windows installer (64-bit)】点击下载

3. 安装是注意，到这一步，需要如下图这样勾选 Add Python to PATH
   
   然后再点上边的 Install Now
   python

4. 安装完成后，命令行里输入Python -V，如果返回Python 3.11.7那就是成功安装了。

5. 命令行里输入 python -m pip install --upgrade pip安装升级pip到最新版。

安装 Git

1. 访问 Git 下载页面

2. 点击【Download for Windows】，【64-bit Git for Windows Setup】点击下载

3. 一路下一步安装

4. 命令行运行git --version,返回git version 2.XX.0.windows.1就是安装成功了。

安装 CUDA （nvidia显卡用户，AMD 和 Intel 显卡用户请跳过这一步）

1. 命令行运行nvidia-smi,看下自己显卡支持的 CUDA版本
   （升级显卡驱动可能会让你支持更高版本的 CUDA）
   

2. 接下来前往英伟达 CUDA 官网，下载对应版本。
   注意请下载，你对应的版本号最高的版本，比如我的是11.7的，那就下11.7.1（这里最后的.1意思是，11.7版本的1号升级版）
   

3. 选你自己的操作系统版本，注意下个离线安装包【exe [local]】，在线安装的话，速度还是比较堪忧的。
   

正式安装

以下假设你当前文件目录是D:\github\，

建立虚拟环境并安装依赖

避免玩其他 Python 项目时出现项目依赖冲突问题

1. 安装虚拟环境工具（virtualenv）

pip install virtualenv
pip install virtualenvwrapper
# virtualenvwrapper一定要在virtualenv后安装

2. 创建一个新的虚拟环境：

virtualenv MSWenv

这将在当前目录下创建一个名为”MSWenv”的虚拟环境。

3. 激活虚拟环境：

D:\github\MSWenv\Scripts\activate

这将激活虚拟环境，并将您的终端提示符更改为虚拟环境名称类似这样

(MSWenv) D:\github> ▏

拉取源码并安装依赖

# 拉取仓库
git clone https://github.com/chn-lee-yumi/MaterialSearch.git

# 进入目录
cd MaterialSearch

# 安装全部依赖(N卡 GPU运行)
pip install -U -r requirements.txt --index-url=https://download.pytorch.org/whl/cu124 --extra-index-url=https://pypi.org/simple/

# 安装全部依赖(A卡、I卡 GPU运行)
pip install -U -r requirements_windows.txt

# 安装全部依赖(CPU运行)
pip install -U -r requirements.txt 

注意：
1. N卡 GPU运行里的cu124 如果你运行环境中的 CUDA 小于 12.4 的话，请写成你实际的版本
2. 如果你这会儿还拿不准用 GPU 还是 CPU 运行的话，请先按照【安装全部依赖(A卡、I卡 GPU运行)】执行，这样安装后也可以支持CPU运行。

3. 最新的更新中作者引入了 torch-directml 实现兼容AMD 和 Intel 等非 nvida 显卡，这个东西咋说呢，torch-directml是用 DX12 作为中间层，构建了兼容 torch 的 API 接口，多少会有点性能损失，所以N卡用户还是老老实实用torch 2.X+CU12.X吧

尝试启动

按照以下命令启动项目

python main.py

• 首次运行会自动下载模型。下载速度可能比较慢，请耐心等待。如果网络不好，模型可能会下载失败，这个时候重新执行程序即可。
• 如果想使用”下载视频片段”的功能，需要安装ffmpeg。如果是Windows系统，记得把ffmpeg.exe所在目录加入环境变量PATH，可以参考：Bing搜索。

• 如果不知道在你设备上 CPU 和 GPU 那个更快，可以在上边步骤中先走 【安装全部依赖(GPU运行)】，在依赖安装完毕后执行python benchmark.py，运行基准测试。

正式运行MaterialSearch

MaterialSearch 配置设置

建议通过在项目根目录创建.env文件修改配置
.env文件配置示例：

# 下面添加扫描路径，用英文半角逗号分隔
ASSETS_PATH=D:\Videos,D:\Pctures
# 如果路径或文件名包含这些字符串，就跳过，逗号分隔，不区分大小写
IGNORE_STRINGS=thumb,avatar,__MACOSX,icons,cache
# 图片最小宽度，小于此宽度则忽略。不需要可以改成0
IMAGE_MIN_WIDTH=64
# 图片最小高度，小于此高度则忽略。不需要可以改成0。
IMAGE_MIN_HEIGHT=64
# 视频每隔多少秒取一帧，视频展示的时候，间隔小于等于2倍FRAME_INTERVAL的算为同一个素材，同时开始时间和结束时间各延长0.5个FRAME_INTERVAL
FRAME_INTERVAL=2
# 视频搜索出来的片段前后延长时间，单位秒，如果搜索出来的片段不完整，可以调大这个值
VIDEO_EXTENSION_LENGTH=1
# 素材处理批次大小，过大会导致显存不足而无法运行或拖慢速度。
SCAN_PROCESS_BATCH_SIZE=4
# 支持的图片拓展名，逗号分隔，请填小写
IMAGE_EXTENSIONS=.jpg,.jpeg,.png,.gif,.heic,.webp,.bmp
# 支持的视频拓展名，逗号分隔，请填小写
VIDEO_EXTENSIONS=.mp4,.flv,.mov,.mkv,.webm,.avi
# 监听IP，如果想允许远程访问，把这个改成0.0.0.0
HOST=127.0.0.1
# 监听端口
PORT=8085
# 运行模式
DEVICE=cuda
# 使用模型
MODEL_NAME=OFA-Sys/chinese-clip-vit-base-patch16
# 数据库保存位置
SQLALCHEMY_DATABASE_URL=sqlite:///./instance/assets.db
# 是否web页启用登录验证功能，如需启用改为true
ENABLE_LOGIN=False
# 登录用户名
USERNAME=admin
# 登录密码
PASSWORD=123456
# 是否自动扫描设置路径下的文件变化，如果开启，则会在指定时间内进行扫描，每天只会扫描一次
AUTO_SCAN=False
# 自动扫描开始时间
AUTO_SCAN_START_TIME=22:30
# 自动扫描结束时间
AUTO_SCAN_END_TIME=8:00
# 是否启用文件校验（如果是，则通过文件校验来判断文件是否更新，否则通过修改时间判断）
ENABLE_CHECKSUM=False

• 你发现某些格式的图片或视频没有被扫描到，可以尝试在IMAGE_EXTENSIONS和VIDEO_EXTENSIONS增加对应的后缀。

• 小图片没被扫描到的话，可以调低IMAGE_MIN_WIDTH和IMAGE_MIN_HEIGHT重试

• 运行模式（DEVICE）可以写的选项有auto/cpu/cuda/mps`四种，如果写 auto 的话，优先级是这样的：cuda > mps > directml > cpu

• 一般来说默认的小模型就够用了，如果你显存大或者感觉小模型的精度不够，可以改成更大的模型
  更换模型需要删库重新扫描！否则搜索会报错。数据库路径见SQLALCHEMY_DATABASE_URL参数。

• 模型越大，扫描速度越慢，且占用的内存和显存越大。
  如果显存较小且用了较大的模型，并在扫描的时候出现了”CUDA out of memory”，请换成较小的模型或者改小SCAN_PROCESS_BATCH_SIZE。如果显存充足，可以调大上面的SCAN_PROCESS_BATCH_SIZE来提高扫描速度。
  因为目前的N卡驱动，支持了内存显存融合，超过物理显存的模型会被放在内存中，不会直接炸显存，只要你电脑显存+内存还没满，超过物理显存后，只会体现为扫描速度非常的慢，大概会慢3倍左右的速度（比如，设置1线程，扫描用时100秒；设置成4线程，用时反而是300秒，线程越多速度反而越慢）
  所以，一定要确保扫描时电脑留有足够的可用显存，可以启动任务管理器——性能——GPU——专用GPU内存查看实际显存占用。不要让斜杠前的数字过于接近斜杠后的数字（比如：10.7/12GB就是良好配置，而11.8/12GB就不太好了）

  • 4G显存推荐参数：小模型，SCAN_PROCESS_BATCH_SIZE=8
  • 4G显存推荐参数：大模型，SCAN_PROCESS_BATCH_SIZE=2
  • 8G显存推荐参数1：小模型，SCAN_PROCESS_BATCH_SIZE=16
  • 8G显存推荐参数2：大模型，SCAN_PROCESS_BATCH_SIZE=4
  • 超大模型最低显存要求是6G，且SCAN_PROCESS_BATCH_SIZE=1
  • 其余显存大小请自行摸索搭配。
• 支持的模型列表
  • 中文小模型： OFA-Sys/chinese-clip-vit-base-patch16
  • 中文大模型：OFA-Sys/chinese-clip-vit-large-patch14-336px
  • 中文超大模型：OFA-Sys/chinese-clip-vit-huge-patch14
  • 英文小模型： openai/clip-vit-base-patch16
  • 英文大模型：openai/clip-vit-large-patch14-336

构建 MaterialSearch 一键启动脚本

1. 目录下新建一个文件myrun.txt
2. 打开填写以下内容

call D:\github\MSWenv\Scripts\activate
python main.py
pause

3. 改后缀名为myrun.bat以后启动直接运行这个文件就好了。

4. 注意不要关闭那个黑乎乎的CMD窗口,不用管那行红字，那只是提示工具的web页是用的Werkzeug运行的，只要你用这个工具库就会有这个提示。

5. 打开浏览器访问最后提示的http://127.0.0.1:8085

开始使用 MaterialSearch

1. 第一次使用需要先点击【扫描】按钮让程序本地素材做扫描生成数据库。
2. 扫描速度，我写本文时用的 GPU 是 N卡 1650 ，大概 1图·1线程/秒。4G显存小模型可以开8线程，1小时理论可以扫2W多张图。视频处理速度大概是图片的三分之一，毕竟多了截取多个视频帧的步骤，默认是2秒一个关键帧，基本就是1小时的视频需要扫描1小时……
3. 之后就可以用文字搜图，搜视频了，支持自然语言搜索，但描述请一定简单准确，毕竟用的模型参量也没那么大嘛
   
4. 扫描图片需要的时间比较长，不过搜起来的速度还是很快的，我尝试在我的CPU：J4150，内存：8GB的 NAS 上部署，匹配阈值为0的情况下，大概1秒可以进行20000次图片匹配，如果提高匹配阈值为10，则大概可以提升到每秒大约35000次图片匹配。
5. 搜视频时，如果结果中的视频很多且视频体积太大，电脑会卡。毕竟又不是剪辑工作站，一般人电脑那会同时开一堆视频的。所以建议搜索视频时，右侧那个【Top X】不要超过6个。

常见报错

报错 以一种访问权限不允许的方式做了一个访问套接字的尝试

说明默认端口8085已经被占用了，把.env文件中的PORT=8085随便改成一个 1开头的5位数试试。

报错 not enough memory: you tried to allocate 123456789 bytes.

内存不足，显存不足，最简单就是换个更好的电脑吧

报错 AssertionError: Torch not compiled with CUDA enabled

原因是 你试图用N卡的GPU跑，但是你安装的 Torch 不支持 CUDA，是仅支持 CPU 的版本
先执行命令：

python -c "import torch; print(torch.cuda.is_available())"

如果返回的是False,说明安装的 Torch 不支持CUDA，是仅支持CPU的,需要执行了下面的命令安装支持cuda的版本：

pip install torch>=2.0 -f --index-url=https://download.pytorch.org/whl/cu124

The post 本地 AI 图片视频搜索引擎——MaterialSearch appeared first on 秋风于渭水.