simon
c72a5ed13a
- system.yaml 新增 llm_scenes（translation / daily_report，含用途/方法/模型要求说明） - load_llm_config(scene=...) 场景覆盖；日报摘要 temperature 0.3 硬编码 → 配置 - M3 去重：唯一篇记录 source_ids（跨源重复合并，首个来源为 source_id） - source_ids 经翻译透传至 events，日报事件 source 多来源拼接展示（≤3 个） - 已部署 pi5：merge 实证 10 源合并；日报 report_id=224 正常入库
169 lines
9.3 KiB
Markdown
169 lines
9.3 KiB
Markdown
# continuation.md — English Financial News 项目状态
|
||
|
||
> 最后更新：2026-08-12
|
||
|
||
---
|
||
|
||
## 2026-08-12 会话成果
|
||
|
||
### M9.2：AI 模型按场景配置 + 去重多来源
|
||
|
||
**背景：** ① 本项目所有 AI 大模型调用点（M4 翻译+事件抽取、M7 日报 AI 摘要、M5 向量化）此前共用同一套 `llm`/`embedding` 配置；② M3 去重跨源重复时丢弃重复篇来源信息。
|
||
|
||
**改动：**
|
||
|
||
| 文件 | 改动内容 |
|
||
|------|---------|
|
||
| `configs/system.yaml` | 新增 `llm_scenes` 段（translation / daily_report，含用途/使用方法/模型要求说明，字段回退 `llm` 默认段）；`embedding` 段注释说明单一场景原因 |
|
||
| `llm/client.py` | `_load_system_config(scene)` 场景合并；`load_llm_config(..., scene)` 支持按场景覆盖 provider/model/参数；场景统一用 `model` 键 |
|
||
| `llm/pipeline.py` | `load_llm_config(scene="translation")` |
|
||
| `scheduler/reporter.py` | `_call_llm_simple` 用 `scene="daily_report"`；`temperature` 硬编码 0.3 → `config.temperature`（技术债清除）；新增 `_article_source_label()` 多来源拼接展示 |
|
||
| `extractor/models.py` / `llm/models.py` | `ProcessedArticle` / `EnTranslatedArticle` 新增 `source_ids` 字段 |
|
||
| `dedup/pipeline.py` | unique 初始化 `source_ids=[source_id]`；dup 时 `_merge_duplicate_source()` 跨日期目录合并来源进唯一篇 |
|
||
| `llm/extractor.py` | 同步/异步构造 `EnTranslatedArticle` 透传 `source_ids` |
|
||
| `tests/` | `test_llm.py` 场景配置 4 用例；`test_dedup.py::TestMergeSources` 3 用例；`test_report_db.py` 多来源拼接 2 用例 |
|
||
|
||
**测试结果：** 本地全量 184 passed / 2 failed（原有 test_crawler 路径问题）；ruff 无新增。
|
||
|
||
**部署验证（pi5 实盘）：**
|
||
- scene 配置生效：translation=(v4-flash, 0.1)、daily_report=(v4-flash, 0.3, 1500)
|
||
- 去重合并实证：历史唯一篇 `049da7e0c87160dc`（barrons 主源）被 9 个跨源重复篇合并 → `source_ids` 10 个来源
|
||
- 日报仍正常入库：report_id=224（2026-08-12, 15 事件）；当天 DeepSeek 摘要 3 次返回空 → 规则兜底，日报未中断（失败处理按设计工作）
|
||
- 多来源展示：`_article_source_label` 实测 "Barron's, CNBC, Reuters"；单源回退正常
|
||
|
||
**已知说明：**
|
||
- 历史 3368 个 deduped 旧文件无 `source_ids` 字段（不回填，向前生效）；events 文件由下次 crontab 07:00 用新代码自然带出透传
|
||
- 179 篇全重复（增量正常）；138 个跨源重复的 merge 目标多为历史日期目录文件（指纹库 ±30 天窗口所致），非当天 uniques
|
||
|
||
---
|
||
|
||
## 2026-08-04 会话成果
|
||
|
||
### M9：日报结构化入库（HTML → MySQL）
|
||
|
||
**背景：** 与 news 项目对齐，日报内容不再产出 HTML / scp 上传 doorcome，改为写入共用 MySQL `myquant` 库（表 `news_report` / `news_event`，`report_type="intl"`）。历史日报（2026-06-16 ~ 2026-08-03，intl 128 份）已由 news 项目解析入库，本次仅做新日报按相同契约入库。
|
||
|
||
**改动：**
|
||
|
||
| 文件 | 改动内容 |
|
||
|------|---------|
|
||
| `report_db/`（新增） | 复用 news 项目实现：`models.py`（EventRow/ReportData）、`schema.py`（news_report/news_event DDL）、`db.py`（load_db_config/connect/init_schema/save_report/fetch_report/exists_report，loguru 换 logging） |
|
||
| `scheduler/reporter.py` | 新增 `_build_report_data()`（intl 结构：事件全部 `section="intl"`，`file_name=""` 幂等覆盖，stats 含 pipeline/sentiment/importance/event_types/source_dist）；`generate_report()` 返回 `int | None`，收集逻辑不变，末尾 `connect()+save_report()`；HTML 渲染/上传函数保留标 deprecated |
|
||
| `scheduler/pipeline.py` | `run_step_report` 适配 `report_id` 返回值 |
|
||
| `app/cli.py` | `report` 命令打印 `report_id` |
|
||
| `pyproject.toml` | `uv add pymysql`；`report_db/schema.py` 加 E501 per-file-ignore |
|
||
| `.env.example` / `README.md` | 新增 `NEWS_DB_*` 配置说明（pi5 经内网直连 `192.168.1.10:13306`，password 与 news 项目相同） |
|
||
| `tests/test_report_db.py`（新增） | 模型默认值 + `_build_report_data` 组装（板块/rank、字段映射、标题截断、stats 快照、`"?"` 归一化） |
|
||
|
||
**测试结果：** `uv run pytest` → 174 passed / 2 failed（2 个失败为原有 `test_crawler.py` index.jsonl 路径问题，与本次无关）；ruff 改动文件干净（仅剩原有 `_SENTENCE_END` N806）。
|
||
|
||
**部署：** 已 rsync 至 pi5（`/home/pi/intlnews`），`.env` 写入 NEWS_DB_*，`uv sync` 安装 pymysql，真实生成日报并回读 DB 验证（详见下方）。
|
||
|
||
---
|
||
|
||
## 2026-07-23 会话成果
|
||
|
||
### investing.com 反爬策略调整
|
||
|
||
**问题：** RSS 返回 403（Cloudflare），Web headful 间歇性失败（数据中心 IP 被标记）
|
||
|
||
**改动：**
|
||
|
||
| 文件 | 改动内容 |
|
||
|------|---------|
|
||
| `crawler/crawler.py` | `magic=True` + `enable_stealth=True` Crawl4AI/Playwright 全自动反检测；`--disable-webrtc` 防止 IP 泄露；`delay_before_return_html=3s` 等待 Cloudflare 挑战；`remove_consent_popups=True` 自动关弹窗；`wait_until="domcontentloaded"` 避免被 Cloudflare 阻塞；增加列表页 URL 过滤（`most-popular-news`/`trending` 等） |
|
||
| `crawler/rss_crawler.py` | 新增 `_make_rss_client()` 读取 system.yaml 代理配置创建 httpx 客户端；Google News RSS 跳过 `article_url_pattern` 域名过滤 |
|
||
| `configs/sources.yaml` | investing.com：`rss_url` 切换为 Google News RSS 代理（绕过 Cloudflare），增加 `anti_bot_mode: stealth`；forexlive → investinglive 迁移 |
|
||
| `scripts/domestic_crawl_8g.sh` | `HTTP_PROXY`/`HTTPS_PROXY` 移至 `.env` 加载之前，确保 httpx 继承代理 |
|
||
|
||
**测试结果（investing.com）：**
|
||
|
||
| 策略 | 结果 |
|
||
|------|------|
|
||
| Google News RSS（代理） | ✅ 25/25 篇，423 words/篇平均 |
|
||
| Web headful 首页 | ✅ 可加载，提取 ~25 个文章链接（15s） |
|
||
| Web headful 文章页 | ❌ 所有文章页仍被 Cloudflare 拦截（403） |
|
||
|
||
### forexlive → investinglive 迁移
|
||
|
||
**问题：** `forexlive.com` 域名 301 重定向到 `investinglive.com`，`_is_valid_article_url` 域名过滤拒绝所有链接
|
||
|
||
**改动：** `sources.yaml` — 移除 `forexlive` 源，新增 `investinglive` 源
|
||
|
||
| 字段 | 旧值 | 新值 |
|
||
|------|------|------|
|
||
| id | `forexlive` | `investinglive` |
|
||
| name | ForexLive | InvestingLive |
|
||
| homepage | `forexlive.com/` | `investinglive.com/` |
|
||
| rss_url | `forexlive.com/feed` | `investinglive.com/feed` |
|
||
| article_url_pattern | `/(news\|technical-analysis\|Education)/` | `/(news\|central-banks\|commodities\|stocks\|technical-analysis)/` |
|
||
| max_articles | 20 | 25 |
|
||
|
||
**测试结果：** ✅ `found=25 success=25`，100%，全文 3-9KB/篇（RSS 内嵌完整正文）
|
||
|
||
---
|
||
|
||
## 当前进度
|
||
|
||
```
|
||
M0 ✅ 项目骨架
|
||
M1 ✅ 新闻抓取（13/13 源，Pi headful Playwright + HTTP 代理）
|
||
M2 ✅ 正文提取（trafilatura + MD 回退，增量跳过已处理）
|
||
M3 ✅ 三层去重（L1 URL / L2 Content / L3 SimHash，SQLite 指纹库）
|
||
M4 ✅ 翻译+事件抽取（DeepSeek v4-flash，事件去重 Prompt 约束）
|
||
M5 ✅ 向量生成（DashScope text-embedding-v3，1024 维）
|
||
M6 ✅ Qdrant 入库（本地文件模式，语义搜索验证）
|
||
M7 ✅ 全链路管道 + 日报（事件级去重 + AI 摘要分批合并 + 防截断）
|
||
M8 ✅ MCP 服务（FastMCP 5 个 Tool）
|
||
```
|
||
|
||
---
|
||
|
||
## 各源抓取状态
|
||
|
||
| 源 | 策略 | 状态 | 说明 |
|
||
|----|------|------|------|
|
||
| Reuters | Google News RSS | ⚠️ 摘要，RSS 稳定 | DataDome 反爬无法突破 |
|
||
| CNBC | CNBC RSS | ✅ 稳定 | 原生 RSS 正常 |
|
||
| MarketWatch | RSS + stealth | ✅ 稳定 | RSS 优先，stealth 回退 |
|
||
| FT | FT RSS | ⚠️ 摘要，RSS 稳定 | 付费墙，全文不可用 |
|
||
| Yahoo Finance | Yahoo RSS | ✅ 稳定 | RSS 正常 |
|
||
| **Investing.com** | **Google News RSS** + stealth | **✅ RSS 25/篇，Web ❌** | **2026-07-23 修复：RSS 改用 Google News 代理** |
|
||
| Seeking Alpha | RSS + stealth | ✅ 稳定 | RSS 稳定 |
|
||
| Barron's | Dow Jones RSS + stealth | ✅ 稳定 | 无原生 RSS，Dow Jones 兜底 |
|
||
| WSJ | Dow Jones RSS + stealth | ✅ 稳定 | RSS 正常 |
|
||
| Economist | RSS + stealth | ✅ 稳定 | RSS 正常 |
|
||
| **InvestingLive** | **RSS** | **✅ 25/篇 100%** | **2026-07-23 新增（forexlive 迁移）** |
|
||
| ZeroHedge | FeedBurner RSS | ✅ 稳定 | RSS 含全文 |
|
||
| ~~Forexlive~~ | ~~RSS 已失效~~ | ~~❌ 301→investinglive~~ | **已替换为 InvestingLive** |
|
||
|
||
---
|
||
|
||
## 待办事项
|
||
|
||
1. **Investing.com 全文抓取** — Google News RSS 仅摘要，Web headful 仍被 Cloudflare 拦截（需要更好代理线路或住宅 IP）
|
||
2. **Reuters 全文** — 同上，DataDome 需要更先进的代理
|
||
3. **FT 付费墙** — 需要付费订阅或放弃全文
|
||
4. **海外服务器 crontab 停用** — 确认不再参与流水线后清理
|
||
5. **Pi crontab 确认** — 当前 `logs/full.log` 显示调度正常运行（06/12/18/22 四个时间点）
|
||
|
||
---
|
||
|
||
## 服务器状态
|
||
|
||
| 角色 | 地址 | 路径 | 状态 |
|
||
|------|------|------|------|
|
||
| 海外 | `ecs-user@8.217.19.253` | `/opt/intlgrab` | ⏸️ 不再参与流水线 |
|
||
| 国内 | `pi@192.168.1.160` | `/home/pi/intlnews` | ✅ 全链路独立运行 |
|
||
|
||
---
|
||
|
||
## CLI 命令速查
|
||
|
||
```
|
||
bash scripts/domestic_full.sh 全流程（M1→M6→日报）
|
||
bash scripts/domestic_crawl_8g.sh 仅 M1 headful（可跟源 ID）
|
||
bash scripts/domestic_crawl_8g.sh investing 单源测试
|
||
PYTHONPATH=. .venv/bin/python3 -c "..." 直接调用 orchestrator
|
||
```
|