simon
3b44f64f66
- docs: 删除 CLAUDE.md / continuation.md / english-news-plan.md 及旧版 intlnews_usage.*，
统一迁移到 docs/{README,architecture,quickstart,usage,pipeline,configuration,deployment,development,faq}.md
- README: 精简为仓库入口，指向 docs/
- configs/sources.yaml: 更新注释指向新文档
- .env.example: 修正 DashScope Embedding 端点说明
Pipeline 修复：
- dedup/llm/embedding/vectorstore/reporter: 过滤 M2 no_content / 空正文，避免污染下游与 Qdrant
- dedup/pipeline: 改为先写唯一文件再写指纹，避免崩溃导致文章永久丢失
- crawler/orchestrator: sources_crawled 改为“尝试数”，成功数 = crawled - failed
- crawler/storage: write_index_jsonl 从文章路径推断日期，修复跨天/测试路径问题
- scheduler/pipeline: STEP_TIMEOUTS 实际生效（SIGALRM）
- scheduler/reporter: emb_count 排除 index.json；日报跳过无原文事件
- vectorstore/pipeline: payload 增加 source_ids；--recreate --all 时空日期也重建 collection
- app/cli: extract/dedup/translate/embed/index/pipeline 支持 --date；embed/index 支持 --all；crawl 全源失败返回非零
- scripts: domestic_full/crawl_8g/crawl_2g/pipeline 安全加载 .env；M1 全失败不标记且最终退出码=1
79 lines
2.7 KiB
Bash
Executable File
79 lines
2.7 KiB
Bash
Executable File
#!/bin/bash
|
||
# =============================================
|
||
# 国内服务器：全流程自动化（独立运行，无需海外）
|
||
# 1. M1 Pi 抓取（headful Playwright + HTTP 代理）
|
||
# 2. 全链路 M2→M6（含日报）
|
||
# =============================================
|
||
# 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')] $*"; }
|
||
|
||
# ── 全流程日志：所有输出实时显示到终端，同时完整写入日志文件 ──
|
||
LOG_DIR="logs"
|
||
mkdir -p "$LOG_DIR"
|
||
FULL_LOG="$LOG_DIR/domestic_full_$(date +%Y%m%d_%H%M%S).log"
|
||
: > "$FULL_LOG"
|
||
|
||
LOG "══════ 国内全流程开始（resume=${RESUME}）═══════"
|
||
LOG "全流程日志: ${FULL_LOG}（终端实时显示完整进度）"
|
||
|
||
# ── 加载 .env ──
|
||
if [ -f .env ]; then
|
||
set -a
|
||
. ./.env
|
||
set +a
|
||
fi
|
||
|
||
# ── 1. M1 Pi 抓取（headful Playwright + HTTP 代理）──
|
||
# 部分源抓取失败不阻塞管道（原语义）；抓取本身按 URL 去重（index.jsonl），
|
||
# 已抓取过的 URL 不会重复写入；输出实时显示每源进度
|
||
# 只有 M1 脚本成功退出（即不是“全部源失败”）才标记完成；
|
||
# 若全部源失败，不标记，--resume 可重新抓取。
|
||
M1_FAILED=0
|
||
if step_should_run M1_crawl; then
|
||
LOG "━━━ [1/2] M1 抓取（headful Playwright + HTTP 代理）━━━"
|
||
if bash "$SCRIPT_DIR/domestic_crawl_8g.sh" 2>&1 | tee -a "$FULL_LOG"; then
|
||
step_mark M1_crawl
|
||
else
|
||
LOG "WARNING: M1 抓取未完全成功，本次不标记 M1_crawl，--resume 可重试"
|
||
M1_FAILED=1
|
||
fi
|
||
fi
|
||
|
||
# ── 2. M2→M6 管道（含日报）──
|
||
LOG "━━━ [2/2] M2→M6 管道 + 日报 ━━━"
|
||
if [ "$RESUME" = "1" ]; then
|
||
bash "$SCRIPT_DIR/pipeline.sh" --resume 2>&1 | tee -a "$FULL_LOG"
|
||
else
|
||
bash "$SCRIPT_DIR/pipeline.sh" 2>&1 | tee -a "$FULL_LOG"
|
||
fi
|
||
|
||
if [ "$M1_FAILED" -eq 1 ]; then
|
||
LOG "⚠️ 全流程结束，但 M1 抓取未成功，退出码=1"
|
||
exit 1
|
||
fi
|
||
|
||
LOG "══════ 国内全流程完成 ✅ ══════"
|