news/continuation.md

continuation.md

checkpoint @ 2026-08-03 21:30

---

当前状态

项目	值
新闻源	14 个（13 Web + 1 API: xwlb 新闻联播）
Qdrant	本地文件模式 data/qdrant_storage/
日报	M10 完成: 结构化入库 MySQL（myquant 库 news_report/news_event 表），不再生成 HTML
调度器	APScheduler，systemd a-share-research.service
LLM	deepseek-v4-flash（绝不允许擅自修改）
服务器	pi@192.168.1.160，项目 /home/pi/news/
抓取方式	js_render=false → httpx 直连；js_render=true → Playwright

---

本次完成 (2026-08-03) — M10 日报结构化入库

目标： 日报前后端分离的数据层——日报内容结构化存入 MySQL（news_ 前缀表），历史 178 份日报 HTML 解析入库；本项目不做 API/前端（用户另行实现）。

表结构（myquant 库，见 docs/db_schema.md）：

• news_report：主表，唯一键 (report_date, report_type, file_name)；file_name='' 表示新生成日报（每天每类型一行，重复生成覆盖）
• news_event：事件明细，section ∈ xwlb/news/cninfo/intl

新增/修改文件：

• report_db/（models/schema/db）：连接、建表、幂等 save_report
• report_import/（parser/importer）：历史 HTML 解析（表头驱动列映射）+ 批量导入
• scheduler/reporter.py：generate_report() 完全切换为结构化入库；_render_html/_upload 标记废弃保留
• a_share_cli/main.py：新增 report-import 子命令；report 命令改为入库提示
• pyproject.toml：uv add pymysql（唯一新增依赖）
• .env：新增 NEWS_DB_*（连接 127.0.0.1:13306，需 ssh 隧道）、REPORT_HISTORY_DIR
• docs/report_db_design.md（实现逻辑）、docs/db_schema.md（表结构，供 API/前端）

验证结果：

• 历史 178 份全部入库：scanned=178 imported=7(首轮)+170 skipped=171 failed=0；DB 177 行（finance 49 + intl 128，1 个跨目录同名文件被幂等合并）+ 事件 4222 条
• 端到端：a-share report --date 20260616 → report_id=180 入库成功，无 HTML 产出
• 单测 24 个通过（parser 19 + builder 4 + models/import 补充）

命令：

ssh -L 13306:127.0.0.1:13306 pi        # Mac 开发连库隧道
uv run a-share report --date YYYYMMDD # 生成日报入库
uv run a-share report-import          # 历史导入(幂等)

注意： 本机 .env 无 LLM API key，AI 摘要会降级 WARNING（不影响入库）；生产 pi5 需配置 NEWS_DB_PASSWORD 且解决 13306 隧道可达性（见待确认项）。

---

历史 (2026-07-17) — 禁用个股日报

操作： STOCK_REPORT_TIME= 设为空，run_scheduler.py 加空值守卫。

文件：

• scripts/run_scheduler.py L127-141：STOCK_REPORT_TIME 为空时跳过注册并输出 已禁用个股日报
• Pi .env：STOCK_REPORT_TIME=08:00 → STOCK_REPORT_TIME=

恢复方法： 改回 STOCK_REPORT_TIME=08:00，重启 a-share-research。

---

本次完成 (2026-07-13) — eeo 反爬修复 + 静态直连 + 超时保护

问题

eeo（经济观察网）在 Pi 上用 Playwright 连续抓取后触发反爬，服务器故意不响应导致 page.goto() 超时（30s → 60s 均超时）。而在本机 Mac 上一切正常——反爬是 IP 级别的，Pi 的 IP 已被限流。

根因

eeo 是纯静态页面（js_render: false），但 Crawl4AI 始终走 Playwright。eeo 检测到 headless Chrome 的连续请求模式后，对后续请求挂起 TCP 连接直至超时。

修复

crawler/engine.py — 三个改动：

1. 新增 _fetch_static()：js_render=False 且无 wait_for 的源用 httpx 直连，绕过 Playwright 反爬。HTML → Markdown 用 markdownify + BeautifulSoup 清洗。

2. 新增 _TimeoutGuard：同源连续超时 2 次后自动跳过剩余请求，防止整个 pipeline 被单一故障源拖死。

3. _crawl_once 分流逻辑：

   js_render=False 且无 wait_for → _fetch_static() (httpx)
   其他 → Playwright
   

configs/sources.yaml — eeo 源两处调整：

• 删除 wait_for: "css:body"（静态页面无需等待 CSS 选择器）
• page_timeout_ms: 30000 → 60000（恢复 Crawl4AI 默认值）

测试结果

环境	Playwright (修复前)	httpx (修复后)
Mac 本地	全部通过	36 篇 / 7 秒
Pi 服务器	前 3 个请求全部 15s 超时	36 篇 / 9 秒，0 失败

验证方法

Pi 上本地复现了反爬（Playwright 前 3 个 URL 全部超时），同批 URL 用 httpx 全部瞬间返回——证明方案有效。

---

历史 (2026-06-24)

1. 环境变量全面审计与修复

触发： 服务器 dedup 步骤超时 120s。

修复 6 个文件：

#	文件	修改
1	scheduler/pipeline.py	超时解析重写：TIMEOUT_{NAME} > PIPELINE_STEP_TIMEOUT > 硬编码 > 1800s
2	a_share_cli/main.py	新增 _resolve_timeout()，CLI 命令超时改为读环境变量
3	crawler/cninfo.py	CNINFO_PDF_BASE 从硬编码改为 os.environ.get()
4	scheduler/reporter.py	STOCK_REPORT_DAYS 默认值 7→15；max_tokens 600→1500
5	.env	清除 10 个死配置；EMBEDDING_MODEL→LOCAL_EMBEDDING_MODEL；补全遗漏参数
6	.env.example	重写为仅包含实际生效配置

审计结果：

类别	数量	处理
✅ 正常工作	23	—
❌ 死配置	10	已清除
⚠️ 默认值不一致	1	已统一
🔧 硬编码	1	已修复

2. AI 摘要截断修复

触发： 日报 AI 摘要内容极少（137 字），末尾被截断。

根因： _llm_call() max_tokens=600 太低，deepseek-v4-flash 输出被硬截断。

修复： max_tokens 三处提升 + 截断检测日志。

位置	修复前	修复后
_llm_call() 默认	600	1500
分块摘要	400	800
合并摘要	600	1500

验证： 手动生成日报，摘要从 137 字 → 486 字，结构完整无截断。

---

超时优先级（最终设计）

TIMEOUT_{NAME} 环境变量          ← 单步精确控制
    ↓ 未设
PIPELINE_STEP_TIMEOUT 环境变量   ← 全局兜底 (覆盖所有硬编码)
    ↓ 未设
STEP_TIMEOUTS 硬编码字典         ← 代码内默认值
    ↓ 步骤不在字典中
1800s                            ← 最终兜底

---

服务器 .env 当前配置

# ---- 调度 ----
SCHEDULE_TIMES=07:00,12:00,18:00,22:00
CNINFO_SCHEDULE_TIME=06:00
STOCK_REPORT_TIME=08:00
STOCK_REPORT_DAYS=15

# ---- Pipeline 超时 ----
PIPELINE_STEP_TIMEOUT=3600
TIMEOUT_CRAWLER=900
TIMEOUT_XWLB=60
TIMEOUT_EXTRACTOR=300
TIMEOUT_DEDUP=900
TIMEOUT_LLM=900
TIMEOUT_EMBEDDING=900
TIMEOUT_QDRANT=1800
TIMEOUT_CNINFO_CRAWL=900
TIMEOUT_CNINFO_EXTRACT=900
TIMEOUT_CNINFO_PDF=900

---

调度器

时间	步骤
06:00	cninfo 公告管道
07:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant→日报
08:00	个股日报
12:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant
18:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant
22:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant

---

常用命令

# 全链路 + 日报
uv run a-share pipeline --once --report

# 仅日报 (指定日期)
/home/pi/.local/bin/uv run python -m scripts.run_scheduler --once --date 20260623 --steps report

# 检索
uv run a-share search "关键词" --top 5

# 同步到服务器
scp <file> pi@192.168.1.160:/home/pi/news/<path>/

# 重启服务
ssh pi@192.168.1.160 "sudo systemctl restart a-share-research"

---

已知技术债务

问题	文件	状态
QdrantClient HTTP 超时硬编码 10s	vectorstore/client.py:93	无可配环境变量
DashScope HTTP 超时硬编码 60s	embedding/remote.py:81	无可配环境变量
超时解析逻辑在 pipeline.py 和 main.py 各一份	两处	可抽取公共函数
deepseek-v4-flash 概率性返回空	—	分块处理 + 失败跳过
wallstreetcn JS 渲染拦截	—	正文提取率 0%
eeo 列表页仍走 Playwright（仅文章页走 httpx）	crawler/engine.py	列表页目前正常，暂不改动

---

架构备忘：静态/动态抓取分流

SourceConfig.js_render == False 且 wait_for == None
  → _fetch_static() → httpx 直连 (无浏览器, 快, 不被反爬)
  → markdownify + BeautifulSoup (清洗 script/style 后转 Markdown)

SourceConfig.js_render == True 或 wait_for 有值
  → _crawl_once() → Playwright (现有逻辑)

_TimeoutGuard:

• 同源连续超时 2 次 → skip=True
• 后续请求在 semaphore 内检查 guard.skip，立即返回 Skipped
• 一次成功即重置计数器

---

记忆

• never-change-llm-model.md — 绝不允许修改大模型配置
• deploy-html.md — user_guide.html 同步到 Pi 和 Web 服务器
• sync-sources-yaml.md — 修改 sources.yaml 前从 Pi 拉取，改完推回
• update-user-guide.md — 更新 md+html+部署