feat: 全流程脚本 --resume 断点续跑 + 各步骤文件级增量说明
- 新增 scripts/_step_state.sh：步骤状态库（data/run_state/{date}.state，按天换新）
- pipeline.sh / domestic_full.sh 支持 --resume，按步骤跳过已完成项
- step_run 显式检查退出码（规避 bash set -e 条件上下文陷阱），失败步骤不标记
- M1 保持部分源失败容忍（step_should_run/step_mark 手动控制）
- 确认并文档化各步骤文件级增量：M2/M4/M5 按文件存在跳过、M3 指纹库、M6 upsert 幂等
- 已同步 pi5 并验证（--badarg exit=1、step_run 机制正常）
This commit is contained in:
@@ -31,6 +31,7 @@ data/events/
|
||||
data/embeddings/
|
||||
data/qdrant_storage/
|
||||
data/reports/
|
||||
data/run_state/
|
||||
|
||||
# Logs
|
||||
logs/*.log
|
||||
|
||||
@@ -104,6 +104,12 @@ sudo systemctl enable --now privoxy
|
||||
# 全流程：M1 抓取 → M2→M6 管道 → 日报
|
||||
# 每天 06:00 / 12:00 / 18:00 / 22:00 自动执行
|
||||
bash scripts/domestic_full.sh
|
||||
|
||||
# 中断恢复：跳过当天已完成步骤（状态存 data/run_state/{date}.state）
|
||||
# 支持步骤级断点：M1_crawl / M2_extract / M3_dedup / M4_translate / M5_embed / M6_index / report
|
||||
bash scripts/domestic_full.sh --resume
|
||||
# 仅 M2→M6 管道（同样支持 --resume）
|
||||
bash scripts/pipeline.sh --resume
|
||||
```
|
||||
|
||||
### 单步执行
|
||||
@@ -161,6 +167,14 @@ ls -lt data/reports/
|
||||
|
||||
去重时跨源重复的新闻，会把所有来源记录到保留的唯一篇 `source_ids` 字段（首个来源为 `source_id`），经翻译透传后在日报事件 `source` 展示（如 "Barron's, CNBC, Reuters"，最多 3 个）。
|
||||
|
||||
### 中断恢复（--resume）
|
||||
|
||||
全流程脚本支持断点续跑：
|
||||
|
||||
- `scripts/domestic_full.sh --resume` / `scripts/pipeline.sh --resume`：跳过当天已完成步骤（步骤状态存 `data/run_state/{YYYYMMDD}.state`，按天换新，跨天自动失效）
|
||||
- 步骤粒度：`M1_crawl` / `M2_extract` / `M3_dedup` / `M4_translate` / `M5_embed` / `M6_index` / `report`；某步失败不标记，`--resume` 从失败处重试
|
||||
- **文件级增量（各步骤内自动跳过已处理文件）**：M2 按 `data/processed/.../{url_hash}.json` 存在性、M3 按指纹库判重、M4 按 `data/events/.../{url_hash}.json` 存在性、M5 按 `data/embeddings/.../index.json`、M6 按 Qdrant upsert 幂等（点 id=url_hash）、日报按 MySQL 唯一键覆盖
|
||||
|
||||
### 日报入库（M9）
|
||||
|
||||
日报内容结构化写入与 [news 项目](https://github.com/) 共用的 MySQL `myquant` 库（表 `news_report` / `news_event`，`report_type="intl"`，同一天重复生成幂等覆盖）。表结构与数据契约见 news 项目 `docs/db_schema.md`。
|
||||
|
||||
@@ -4,6 +4,27 @@
|
||||
|
||||
---
|
||||
|
||||
## 2026-08-12 会话成果（二）：全流程 --resume 断点续跑
|
||||
|
||||
**背景：** `scripts/domestic_full.sh`（M1→M6→日报）中断（ssh 断线/断电）后只能从头重跑。
|
||||
|
||||
**改动：**
|
||||
|
||||
| 文件 | 改动内容 |
|
||||
|------|---------|
|
||||
| `scripts/_step_state.sh`（新增） | 步骤状态库：`step_run` / `step_should_run` / `step_mark` / `step_done`；状态文件 `data/run_state/{YYYYMMDD}.state`（按天换新）；`step_run` 显式检查退出码（规避 bash set -e 条件上下文陷阱） |
|
||||
| `scripts/pipeline.sh` | 支持 `--resume`；M2→M6→report 每步 `step_run` 包裹 |
|
||||
| `scripts/domestic_full.sh` | 支持 `--resume`；M1 用 `step_should_run`/`step_mark`（部分源失败仍标记，原语义）；透传 `--resume` 给 pipeline.sh |
|
||||
| `.gitignore` | 忽略 `data/run_state/` |
|
||||
|
||||
**文件级增量确认（各步骤已内置，无需新写）：** M2 processed JSON 存在跳过、M3 指纹库判重、M4 events JSON 存在跳过、M5 embedding index、M6 Qdrant upsert 幂等（id=url_hash）、日报 MySQL 唯一键覆盖。
|
||||
|
||||
**测试：** 本地模拟 3 场景全过（失败步骤不 mark / set -e 退出不 mark / resume 跳过已完成）；`--badarg` exit=1；pi5 同步后验证 step_run 机制与参数校验正常。
|
||||
|
||||
**注意：** crontab 07/12/18 跑的是不带 --resume 的全量（步骤级不跳过，靠文件级增量），--resume 供手动中断恢复。
|
||||
|
||||
---
|
||||
|
||||
## 2026-08-12 会话成果
|
||||
|
||||
### M9.2：AI 模型按场景配置 + 去重多来源
|
||||
|
||||
@@ -0,0 +1,60 @@
|
||||
#!/bin/bash
|
||||
# =============================================
|
||||
# 步骤状态管理（--resume 中断恢复用）
|
||||
# =============================================
|
||||
# 用法（在脚本中 source）:
|
||||
# source "$SCRIPT_DIR/_step_state.sh"
|
||||
# RESUME=0|1 # 由入口脚本参数解析后设置
|
||||
# step_run <步骤名> <cmd...> # 执行并在成功后标记；resume 时已标记则跳过
|
||||
# step_should_run <名> # 返回 0 = 需要运行（供需容忍部分失败的步骤手动控制）
|
||||
# step_mark <名> # 手动标记完成
|
||||
# =============================================
|
||||
# 状态文件: data/run_state/{YYYYMMDD}.state（按本地日期换新，跨天自动失效）
|
||||
# 说明: 各步骤内部的"跳过已处理文件"由各 Python 模块自带（见 pipeline.sh 头注释），
|
||||
# 本文件仅做"步骤级"断点记录。
|
||||
# =============================================
|
||||
|
||||
STEP_STATE_DIR="data/run_state"
|
||||
|
||||
step_state_file() {
|
||||
echo "${STEP_STATE_DIR}/$(date +%Y%m%d).state"
|
||||
}
|
||||
|
||||
step_done() {
|
||||
# $1: 步骤名；已标记返回 0
|
||||
[ -f "$(step_state_file)" ] && grep -qx "$1" "$(step_state_file)" >/dev/null 2>&1
|
||||
}
|
||||
|
||||
step_mark() {
|
||||
# $1: 步骤名；记录为已完成（幂等追加）
|
||||
mkdir -p "${STEP_STATE_DIR}"
|
||||
echo "$1" >> "$(step_state_file)"
|
||||
}
|
||||
|
||||
step_should_run() {
|
||||
# $1: 步骤名；resume 模式下已标记 → 返回 1（跳过），否则返回 0
|
||||
if [ "${RESUME:-0}" = "1" ] && step_done "$1"; then
|
||||
LOG "⏭️ 跳过已完成的步骤: $1（--resume）"
|
||||
return 1
|
||||
fi
|
||||
return 0
|
||||
}
|
||||
|
||||
step_run() {
|
||||
# $1: 步骤名，$2...: 要执行的命令（成功后标记完成）
|
||||
# 显式检查退出码：避免 bash set -e 在条件上下文（&&/||）调用函数时失效，
|
||||
# 导致失败步骤被误标记为完成。
|
||||
local name="$1"
|
||||
shift
|
||||
if ! step_should_run "$name"; then
|
||||
return 0
|
||||
fi
|
||||
LOG "▶ $name"
|
||||
"$@"
|
||||
local rc=$?
|
||||
if [ "$rc" -ne 0 ]; then
|
||||
LOG "✗ $name 失败（exit=$rc），未标记完成；可 --resume 重试该步骤"
|
||||
return "$rc"
|
||||
fi
|
||||
step_mark "$name"
|
||||
}
|
||||
@@ -6,25 +6,50 @@
|
||||
# =============================================
|
||||
# 每天 06:00 / 12:00 / 18:00 / 22:00 各执行一次
|
||||
# =============================================
|
||||
# 用法：
|
||||
# ./scripts/domestic_full.sh # 全新执行
|
||||
# ./scripts/domestic_full.sh --resume # 从中断处继续（跳过已完成步骤，
|
||||
# # 步骤状态见 data/run_state/{date}.state）
|
||||
# =============================================
|
||||
set -euo pipefail
|
||||
|
||||
SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
|
||||
PROJECT_DIR="$(dirname "$SCRIPT_DIR")"
|
||||
cd "$PROJECT_DIR"
|
||||
|
||||
# ── 参数解析 ──
|
||||
RESUME=0
|
||||
for arg in "$@"; do
|
||||
case "$arg" in
|
||||
--resume) RESUME=1 ;;
|
||||
*) echo "未知参数: ${arg}（支持 --resume）" >&2; exit 1 ;;
|
||||
esac
|
||||
done
|
||||
|
||||
source "$SCRIPT_DIR/_step_state.sh"
|
||||
|
||||
LOG() { echo "[$(date '+%Y-%m-%d %H:%M:%S')] $*"; }
|
||||
|
||||
LOG "══════ 国内全流程开始 ══════"
|
||||
LOG "══════ 国内全流程开始（resume=${RESUME}）═══════"
|
||||
|
||||
# ── 加载 .env ──
|
||||
export $(grep -v '^#' .env | grep -v '^$' | xargs 2>/dev/null || true)
|
||||
|
||||
# ── 1. M1 Pi 抓取（headful Playwright + HTTP 代理）──
|
||||
# 部分源抓取失败不阻塞管道（原语义）；抓取本身按 URL 去重（index.jsonl），
|
||||
# 已抓取过的 URL 不会重复写入
|
||||
if step_should_run M1_crawl; then
|
||||
LOG "[1/2] Pi M1 抓取（8G headful + HTTP 代理）..."
|
||||
bash "$SCRIPT_DIR/domestic_crawl_8g.sh" 2>&1 | tail -5 || LOG "WARNING: 部分源抓取失败，继续管道"
|
||||
step_mark M1_crawl
|
||||
fi
|
||||
|
||||
# ── 2. M2→M6 管道（含日报）──
|
||||
LOG "[2/2] 全链路管道..."
|
||||
if [ "$RESUME" = "1" ]; then
|
||||
bash "$SCRIPT_DIR/pipeline.sh" --resume 2>&1 | tail -10
|
||||
else
|
||||
bash "$SCRIPT_DIR/pipeline.sh" 2>&1 | tail -10
|
||||
fi
|
||||
|
||||
LOG "══════ 国内全流程完成 ✅ ══════"
|
||||
|
||||
+32
-15
@@ -2,9 +2,19 @@
|
||||
# =============================================
|
||||
# 国内服务器：全链路管道 M2 → M3 → M4 → M5 → M6 → 日报
|
||||
# =============================================
|
||||
# 用法：./scripts/pipeline.sh
|
||||
# 用法：
|
||||
# ./scripts/pipeline.sh # 全新执行（步骤级不跳过）
|
||||
# ./scripts/pipeline.sh --resume # 从中断处继续（跳过已完成步骤）
|
||||
# 前提：domestic_sync.sh 已完成
|
||||
# =============================================
|
||||
# 各步骤"跳过已处理文件"（文件级增量，由各 Python 模块自带）：
|
||||
# M2 正文提取: data/processed/{source}/{date}/{url_hash}.json 存在则跳过
|
||||
# M3 去重: 指纹库 SQLite（data/dedup_fingerprints.sqlite3）判重，重复自动丢弃
|
||||
# M4 翻译: data/events/{date}/{url_hash}.json 存在则跳过
|
||||
# M5 向量: data/embeddings/{date}/index.json 记录已向量化，跳过
|
||||
# M6 入库: Qdrant upsert 幂等（点 id = url_hash，重复写入覆盖，无重复）
|
||||
# 日报: MySQL 唯一键 (report_date, intl, "") 幂等覆盖
|
||||
# =============================================
|
||||
set -euo pipefail
|
||||
|
||||
SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
|
||||
@@ -12,57 +22,64 @@ PROJECT_DIR="$(dirname "$SCRIPT_DIR")"
|
||||
|
||||
cd "$PROJECT_DIR"
|
||||
|
||||
echo "[$(date)] ═══ 全链路管道开始 ═══"
|
||||
# ── 参数解析 ──
|
||||
RESUME=0
|
||||
for arg in "$@"; do
|
||||
case "$arg" in
|
||||
--resume) RESUME=1 ;;
|
||||
*) echo "未知参数: ${arg}（支持 --resume）" >&2; exit 1 ;;
|
||||
esac
|
||||
done
|
||||
|
||||
source "$SCRIPT_DIR/_step_state.sh"
|
||||
|
||||
LOG() { echo "[$(date '+%Y-%m-%d %H:%M:%S')] $*"; }
|
||||
|
||||
LOG "══════ 全链路管道开始（resume=${RESUME}）═══════"
|
||||
|
||||
# 加载 .env
|
||||
export $(grep -v '^#' .env | grep -v '^$' | xargs 2>/dev/null || true)
|
||||
|
||||
# ── M2: 正文提取 ──
|
||||
echo "[$(date)] [M2] 正文提取..."
|
||||
.venv/bin/python3 -c "
|
||||
step_run M2_extract .venv/bin/python3 -c "
|
||||
from extractor.pipeline import process_all_sources
|
||||
stats = process_all_sources()
|
||||
print(f'M2: {stats[\"total_articles\"]} 篇, {stats[\"elapsed_sec\"]:.0f}s')
|
||||
"
|
||||
|
||||
# ── M3: 去重 ──
|
||||
echo "[$(date)] [M3] 三层去重..."
|
||||
.venv/bin/python3 -c "
|
||||
step_run M3_dedup .venv/bin/python3 -c "
|
||||
from dedup.pipeline import dedup_all_sources
|
||||
stats = dedup_all_sources()
|
||||
print(f'M3: 唯一 {stats[\"unique\"]}/重复 {stats[\"duplicate\"]}, {stats[\"elapsed_sec\"]:.0f}s')
|
||||
"
|
||||
|
||||
# ── M4: 翻译+事件 ──
|
||||
echo "[$(date)] [M4] 翻译+事件抽取..."
|
||||
.venv/bin/python3 -c "
|
||||
step_run M4_translate .venv/bin/python3 -c "
|
||||
from llm.pipeline import translate_all_deduped
|
||||
stats = translate_all_deduped()
|
||||
print(f'M4: {stats[\"success\"]}/{stats[\"total\"]} 篇, {stats[\"elapsed_sec\"]:.0f}s')
|
||||
"
|
||||
|
||||
# ── M5: 向量生成 ──
|
||||
echo "[$(date)] [M5] 向量生成..."
|
||||
.venv/bin/python3 -c "
|
||||
step_run M5_embed .venv/bin/python3 -c "
|
||||
from embedding.pipeline import embed_all_events
|
||||
stats = embed_all_events()
|
||||
print(f'M5: {stats[\"success\"]}/{stats[\"total\"]} 篇, {stats[\"elapsed_sec\"]:.0f}s')
|
||||
"
|
||||
|
||||
# ── M6: Qdrant 入库 ──
|
||||
echo "[$(date)] [M6] Qdrant 入库..."
|
||||
.venv/bin/python3 -c "
|
||||
step_run M6_index .venv/bin/python3 -c "
|
||||
from vectorstore.pipeline import ingest_all_embeddings
|
||||
stats = ingest_all_embeddings()
|
||||
print(f'M6: {stats[\"ingested\"]}/{stats[\"total\"]} 条, {stats[\"elapsed_sec\"]:.0f}s')
|
||||
"
|
||||
|
||||
# ── 日报 ──
|
||||
echo "[$(date)] [日报] 生成日报（结构化入库）..."
|
||||
.venv/bin/python3 -c "
|
||||
step_run report .venv/bin/python3 -c "
|
||||
from scheduler.reporter import generate_report
|
||||
report_id = generate_report()
|
||||
print(f'日报: report_id={report_id}' if report_id is not None else '日报: 无数据/失败')
|
||||
"
|
||||
|
||||
echo "[$(date)] ═══ 全链路管道完成 ✅ ═══"
|
||||
LOG "══════ 全链路管道完成 ✅ ═══════"
|
||||
|
||||
Reference in New Issue
Block a user