simonandClaude
f0adf713b7
- 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>
112 lines
4.9 KiB
Markdown
112 lines
4.9 KiB
Markdown
# 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
|
||
|
||
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
|
||
```
|