Files

T

simonandClaude f0adf713b7 docs: 更新 continuation.md 2026-07-23 会话记录

- investing.com 反爬策略调整（Google News RSS + magic/stealth）
- forexlive→investinglive 迁移
- 各源抓取状态表更新

Co-Authored-By: Claude <noreply@anthropic.com>

2026-07-23 09:26:53 +08:00

4.9 KiB

Raw Blame History

continuation.md — English Financial News 项目状态

最后更新：2026-07-23

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

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）
Reuters 全文 — 同上，DataDome 需要更先进的代理
FT 付费墙 — 需要付费订阅或放弃全文
海外服务器 crontab 停用 — 确认不再参与流水线后清理
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

4.9 KiB Raw Blame History Unescape Escape