simonandClaude
ea472c8bf8
- 13 个源清单及状态表 - 部署架构图更新（海外服务器已停用） - Pi 前置条件/操作命令/常见问题 Co-Authored-By: Claude <noreply@anthropic.com>
211 lines
6.3 KiB
Markdown
211 lines
6.3 KiB
Markdown
# English Financial News
|
||
|
||
国际财经新闻私有化 Deep Research 平台。
|
||
|
||
## 核心能力
|
||
|
||
- **M1** 英文财经新闻抓取（Crawl4AI，headful Playwright + HTTP 代理，13 个源）
|
||
- **M2** 英文正文提取（trafilatura）
|
||
- **M3** 三层去重（URL Hash / 内容 Hash / SimHash 模糊）
|
||
- **M4** 全文英译中 + 投资事件抽取（LLM DeepSeek v4-flash）
|
||
- **M5** 向量生成（DashScope text-embedding-v3，1024 维）
|
||
- **M6** 双语向量知识库（Qdrant）
|
||
- **M7** 定时调度（06/12/18/22） + 每日 AI 摘要日报
|
||
- **M8** MCP 服务（Cherry Studio / Claude Code Agent 深度研究）
|
||
|
||
## 部署架构
|
||
|
||
```
|
||
国内服务器（Pi 4, 8GB）
|
||
┌──────────────────────────────────────┐
|
||
│ M1 抓取（headful Playwright） │
|
||
│ HTTP 代理 → Privoxy → SOCKS5 │
|
||
│ ↓ │
|
||
│ M2 正文提取 → M3 去重 │
|
||
│ ↓ │
|
||
│ M4 翻译+事件抽取（DeepSeek） │
|
||
│ ↓ │
|
||
│ M5 向量生成 → M6 Qdrant 入库 │
|
||
│ ↓ │
|
||
│ 日报生成 → rsync 上传 doorcome.cn │
|
||
│ ↓ │
|
||
│ M8 MCP 服务（研究 Agent） │
|
||
└──────────────────────────────────────┘
|
||
```
|
||
|
||
> 海外服务器已于 2026-07-14 停用，全链路在 Pi 独立运行。
|
||
|
||
---
|
||
|
||
## 新闻源状态（2026-07-23）
|
||
|
||
| 源 | ID | 策略 | 日产量 | 状态 |
|
||
|----|----|------|--------|------|
|
||
| Reuters | `reuters` | Google News RSS | ~30 篇摘要 | ⚠️ DataDome |
|
||
| CNBC | `cnbc` | CNBC RSS | ~25 篇 | ✅ |
|
||
| MarketWatch | `marketwatch` | RSS + stealth | ~25 篇 | ✅ |
|
||
| Financial Times | `ft` | FT RSS | ~20 篇摘要 | ⚠️ 付费墙 |
|
||
| Yahoo Finance | `yahoo_finance` | Yahoo RSS | ~30 篇 | ✅ |
|
||
| **Investing.com** | `investing` | **Google News RSS** + stealth | **25 篇摘要** | **✅ 2026-07-23 修复** |
|
||
| Seeking Alpha | `seekingalpha` | RSS + stealth | ~20 篇 | ✅ |
|
||
| Barron's | `barrons` | Dow Jones RSS + stealth | ~20 篇 | ✅ |
|
||
| WSJ | `wsj` | Dow Jones RSS + stealth | ~20 篇 | ✅ |
|
||
| Economist | `economist` | RSS + stealth | ~15 篇 | ✅ |
|
||
| **InvestingLive** | `investinglive` | **RSS（全文）** | **25 篇** | **✅ 2026-07-23 新增** |
|
||
| ZeroHedge | `zerohedge` | FeedBurner RSS | ~15 篇全文 | ✅ |
|
||
| ~~ForexLive~~ | ~~forexlive~~ | ~~已迁移~~ | ~~0~~ | ~~❌ 301→investinglive~~ |
|
||
|
||
> **注：** RSS 摘要源的全文通过 headful Playwright + HTTP 代理回退抓取。当前国内服务器使用 Shadowsocks + Privoxy 代理访问海外。
|
||
|
||
---
|
||
|
||
## 快速开始
|
||
|
||
### 环境要求
|
||
|
||
- Python 3.11
|
||
- uv
|
||
- Xvfb（Pi 服务器 headful 模式需要）
|
||
- Shadowsocks 客户端 + Privoxy（国内服务器海外代理）
|
||
|
||
### 安装
|
||
|
||
```bash
|
||
# 创建虚拟环境并安装依赖
|
||
uv sync
|
||
|
||
# 配置环境变量
|
||
cp .env.example .env
|
||
# 编辑 .env 填入真实 API Key（DeepSeek / DashScope / Qdrant）
|
||
```
|
||
|
||
### Pi 服务器前置条件
|
||
|
||
```bash
|
||
# 1. Xvfb 虚拟显示器（headful Playwright 需要）
|
||
sudo apt install xvfb
|
||
Xvfb :99 -screen 0 1280x1024x24 -ac +extension RANDR &
|
||
|
||
# 2. Shadowsocks + Privoxy（HTTP 代理访问海外）
|
||
sudo apt install shadowsocks-libev privoxy
|
||
# 配置 /etc/shadowsocks-libev/config.json（服务端信息）
|
||
# 配置 /etc/privoxy/config（forward-socks5t 127.0.0.1:1088 .）
|
||
sudo systemctl enable --now shadowsocks-libev-local
|
||
sudo systemctl enable --now privoxy
|
||
```
|
||
|
||
---
|
||
|
||
## 操作命令
|
||
|
||
### 全流程自动化
|
||
|
||
```bash
|
||
# 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
|
||
```
|
||
|
||
### 单步执行
|
||
|
||
```bash
|
||
# M1 抓取全部源（headful + HTTP 代理）
|
||
bash scripts/domestic_crawl_8g.sh
|
||
|
||
# M1 单源测试
|
||
bash scripts/domestic_crawl_8g.sh investing
|
||
bash scripts/domestic_crawl_8g.sh investinglive
|
||
|
||
# M2→M6 管道（需先有 raw 数据）
|
||
bash scripts/pipeline.sh
|
||
|
||
# 仅生成日报
|
||
uv run en-news report
|
||
```
|
||
|
||
### 调度查看
|
||
|
||
```bash
|
||
# 查看最近日志
|
||
tail -50 logs/full.log
|
||
|
||
# 查看日报
|
||
ls -lt data/reports/
|
||
```
|
||
|
||
---
|
||
|
||
## 配置说明
|
||
|
||
| 文件 | 用途 |
|
||
|------|------|
|
||
| `configs/sources.yaml` | 英文财经新闻源定义（13 个源） |
|
||
| `configs/system.yaml` | 系统级业务参数（超时/并发/LLM 模型等） |
|
||
| `configs/profiles/8g_headful.yaml` | Pi 服务器 headful 抓取配置（代理/超时） |
|
||
| `.env` | 密钥 / 服务地址（不入 Git） |
|
||
| `prompts/` | LLM Prompt 模板（翻译/日报/搜索 Agent） |
|
||
|
||
---
|
||
|
||
## 数据存储
|
||
|
||
```
|
||
data/
|
||
├── raw/{source_id}/{yyyymmdd}/ M1 原始抓取（HTML + Markdown）
|
||
├── processed/{source_id}/ M2 正文提取结果
|
||
├── dedup/ M3 去重指纹库（SQLite）
|
||
├── translations/{yyyymmdd}/ M4 翻译+事件抽取结果（JSONL）
|
||
├── embeddings/{yyyymmdd}/ M5 向量文件（JSONL）
|
||
├── reports/ M7 日报（HTML）
|
||
└── vectorstore/ M6 Qdrant 数据
|
||
```
|
||
|
||
Qdrant collection 名称：`en_finance_news`
|
||
|
||
---
|
||
|
||
## MCP 服务
|
||
|
||
M8 模块提供 MCP（Model Context Protocol）服务，供 Cherry Studio / Claude Code 等客户端接入进行深度研究。
|
||
|
||
```bash
|
||
# 启动 MCP 服务
|
||
uv run en-news mcp-server
|
||
```
|
||
|
||
支持的工具：
|
||
|
||
| Tool | 功能 |
|
||
|------|------|
|
||
| `en_news_search` | 语义搜索知识库 |
|
||
| `en_news_filter` | 按源/日期/情绪筛选 |
|
||
| `en_news_trending` | 获取热点事件 |
|
||
| `en_news_report` | 获取最新日报 |
|
||
| `en_news_daily_brief` | 一键生成简报 |
|
||
|
||
---
|
||
|
||
## 常见问题
|
||
|
||
### 为什么有些源只拿到摘要？
|
||
|
||
部分网站有强反爬（Cloudflare/DataDome/付费墙），RSS 只返回摘要。全文可尝试 headful 浏览器回退，但成功率取决于代理线路质量。
|
||
|
||
### 日报上传到哪里？
|
||
|
||
日报自动上传到 `simon@doorcome.cn:/var/www/html/echart/research/`，通过 HTTP 访问。
|
||
|
||
### 如何添加新源？
|
||
|
||
编辑 `configs/sources.yaml`，添加源配置（id/name/homepage/rss_url/article_url_pattern 等）。参考现有源格式。
|
||
|
||
---
|
||
|
||
## 项目计划
|
||
|
||
详见 [english-news-plan.md](english-news-plan.md)
|
||
|
||
## 许可证
|
||
|
||
MIT
|