simon
85ba218f2f
- run_step: 补跑保护——历史日期跳过 crawler(首页只含当天内容)并告警,复用已有 raw 数据 - run_step: report 步骤改用传入的 date_str,不再硬编码 date.today() - 新增 4 个补跑相关测试,修正 3 个既有测试适配新行为 - 全量 259 passed(3 个 crawler 基线失败与本次无关)
444 lines
22 KiB
Markdown
444 lines
22 KiB
Markdown
# continuation.md
|
||
|
||
> `checkpoint` @ 2026-08-22
|
||
|
||
---
|
||
|
||
## 本次完成 (2026-08-22) — P0-3/P0-4 补跑日期语义修复
|
||
|
||
**P0-3(crawler 补跑历史日期静默空转)**:
|
||
- 原因:`crawler/storage.py` 落盘硬编码 `date.today()`(engine 不传 day),`pipeline --once --date {历史}` 时下游读历史目录为空,且 `run_extractor` 对空目录返回成功 → 全链路静默空转
|
||
- 修复:`run_step()` 开头加补跑保护——`date_str != 今天` 时跳过 crawler(首页只含当天内容,历史文章已滚走,补抓不可能),WARNING 日志 + `tail_msg` 说明,返回 success(补跑复用已有 raw 数据是正确行为);xwlb 不跳过(API 支持任意历史日期)
|
||
|
||
**P0-4(report 硬编码 date.today() 忽略传入日期)**:
|
||
- 原因:`run_step("report")` 未使用入参 `date_str`,取当前时间;补跑历史日期+--report 会生成今天的空日报并覆盖当天已有日报(唯一键 file_name='')
|
||
- 修复:一行改动 `report_date = date_str`;`reporter.generate_report(day_str)` 本身已支持任意日期,无需其它改动
|
||
|
||
**测试**:
|
||
- 新增 4 个(补跑跳过不执行子进程/当天正常执行/report 收到传入日期/全链路仅 crawler 跳过),并入 `tests/test_incremental.py`
|
||
- 修正 3 个既有测试(`tests/test_scheduler.py`)适配新行为(用当天日期测正常执行路径)
|
||
- 全量 **259 passed**,3 个 crawler 基线失败与本次无关
|
||
|
||
**待办/遗留**:
|
||
- P1:dedup rc=1 静默转成功(天天重复率>5% 被掩蔽)、守护进程补跑 steps 含 cninfo_*、调度时区与 date.today() 一致性,待用户决策
|
||
- 既有小问题:`tests/test_scheduler.py` 部分 run_pipeline 测试未传 state_path,会写真实 `data/pipeline/state.json`(既有行为,未改)
|
||
|
||
---
|
||
|
||
## 本次完成 (2026-08-22) — xwlb 日期错位修复(方案 A)
|
||
|
||
**背景问题**:
|
||
- P0-1: `run_xwlb` 硬编码抓前一天并落盘到「数据日」目录,而下游 extractor 按「处理日」扫目录 → 60 天联播数据从未进入知识库(实测: `data/processed/xwlb/` 仅 20260622 一天)
|
||
- P0-2: `run_xwlb` 用 `open("a")` 裸追加,同一天被多次调度触发导致 index.jsonl 重复行(实测 20260821: 70 行仅 24 唯一)
|
||
|
||
**业务约束(保持不变)**: 当天日报需要前一天晚上(19:00 播出)的新闻联播内容。
|
||
|
||
**方案 A 实施**:
|
||
|
||
1. `scripts/run_xwlb.py` 重构:
|
||
- 新增 `--date` 参数(处理日,默认今天),与管道其它步骤日期语义一致
|
||
- 内部 `数据日 = 处理日 - 1`(业务约束:抓前一晚已播出的联播)
|
||
- **落盘目录改为处理日** `data/raw/xwlb/{处理日}/` → extractor/dedup/llm/embedding/qdrant 零改动即可处理
|
||
- **幂等落盘**: 落盘前读已有 index.jsonl 构建 `url_hash` 集合,已存在条目跳过;index.jsonl 重写为去重完整集(原子写),不再裸追加
|
||
2. `scheduler/pipeline.py`: xwlb 步骤命令加 `--date {date}`
|
||
3. `scripts/run_extractor.py`: xwlb 假 HTML 无时间节点 → 新增 `_fill_xwlb_publish_time`,从 url(`xwlb://YYYY-MM-DD/sid`)兜底解析真实播出日填充 `publish_time`(否则检索时间过滤/排序失效)
|
||
4. **历史死数据 A1 清理**: 删除 `data/raw/xwlb/` 62 个旧目录(20260622~20260822)+ `data/processed/xwlb/`(仅 20260622)
|
||
|
||
**验证(生产端到端,20260822)**:
|
||
- 新增 `tests/test_run_xwlb.py` 9 个测试(处理日目录、幂等、空数据、坏日期),全部通过
|
||
- 全量测试 **255 passed**(3 个 crawler 基线失败与本次无关)
|
||
- 实跑: 处理日=20260822 抓数据日 20260821 联播 23 条 → 二次运行新增 0/跳过 23(幂等)→ M2 提取 23/23 → M3 唯一 23 → M4 LLM 23/23 → M5 23/23 → M6 Qdrant 净增 23
|
||
- 检索验证: `a-share search "国务院常务会议"` top2 命中 xwlb《李强主持召开国务院常务会议》,时间 2026-08-21(真实播出日)✓
|
||
- 日报路径不受影响(仍走 `reporter._collect_xwlb` API 直读)
|
||
|
||
**运维规则新增**: 每次代码升级完成后必须执行 `sudo systemctl restart a-share-research.service`
|
||
|
||
**待办/遗留**:
|
||
- ~~P0-3(crawler 无 --date,补跑历史日期静默空转)、P0-4(report 硬编码 date.today())~~ 已修复(见上方小节)
|
||
- P1(dedup rc=1 静默/补跑含 cninfo/时区)未修,待用户决策
|
||
- `run_extractor --force` 重提取会重复追加 `data/processed/{src}/{date}/index.jsonl`(仅影响该辅助索引,下游读 *.json 不受影响),暂不修
|
||
- 历史 60 天联播未入库(按用户决策 A1 清理,不回补)
|
||
|
||
---
|
||
|
||
## 本次完成 (2026-08-22) — 文档清理与重构
|
||
|
||
**目标：** 清理历史上多个 AI agent 文档残留,重构项目文档为 4 个核心文件。
|
||
|
||
**删除的过时/残留文件 (4 个)：**
|
||
|
||
1. `project_plan.md` (700 行) — 9 个 Milestone 全部完成,计划文档已无价值
|
||
2. `docs/agent_prompt.md` (80 行) — Cherry Studio Agent 使用说明,非本项目核心文档
|
||
3. `docs/optimization_plan.md` (144 行) — 8 项优化中 5 项已完成,剩余不再跟踪
|
||
4. `docs/report_db_design.md` (330 行) — M10 中间设计稿,逻辑已下沉到代码
|
||
|
||
**新建/重写的文档 (5 个)：**
|
||
|
||
| 文件 | 行数 | 说明 |
|
||
|------|------|------|
|
||
| `docs/architecture.md` | ~500 | 项目架构:11 包职责与导出 API、核心数据模型、配置体系、产物目录 |
|
||
| `docs/user-guide.md` | ~500 | 用户手册:15 个 CLI 子命令全量 + 增量/断点续跑 + MCP + systemd + FAQ |
|
||
| `README.md` | ~120 | 精简为项目入口:简介 + 文档索引 + 命令速查 |
|
||
| `docs/db-schema.md` | 保留 | 日报表结构(API/前端对接,无需改动) |
|
||
| `deploy/README.md` | 删除 | 已在服务器上直接修改,无需部署文档 |
|
||
|
||
**docs/ 最终目录：**
|
||
|
||
```
|
||
docs/
|
||
├── architecture.md # 项目架构(新增)
|
||
├── user-guide.md # 用户手册(重写)
|
||
└── db-schema.md # 日报表结构(保留)
|
||
```
|
||
|
||
**验证：**
|
||
|
||
- 所有文档中文撰写,Markdown 格式,层次清晰
|
||
- architecture.md 准确反映 11 个包的实际公开 API(基于源码 `__init__.py` 导出)
|
||
- user-guide.md 覆盖全部 15 个 CLI 子命令(crawl/extract/dedup/events/embed/ingest/pipeline/search/status/report/report-import/cninfo/stock-report/watchlist/discover/add-entry)
|
||
- 无过时信息残留(不再提 M9 Agent/HTML 日报/旧版 Mac 部署等)
|
||
|
||
**待办：**
|
||
|
||
- git 提交本次改动(包括 2026-08-12 增量处理改动,仍未提交)
|
||
- 同步 pi5(代码 + 文档),重启 a-share-research
|
||
|
||
---
|
||
|
||
---
|
||
|
||
## 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 完成并已部署 pi5: 结构化入库 MySQL；日报按当天日期生成（新闻 30h 回溯 / xwlb 取前一日 / 公告调研近 15 日）** |
|
||
| DB 连接 | pi 上 systemd 服务 `a-share-db-tunnel` 常驻（0.0.0.0:13306 → doorcome.cn:3306）；**pi5 直连 192.168.1.10:13306** |
|
||
| 调度器 | APScheduler，systemd `a-share-research.service`（pi5）；每天 07:00 首次任务生成日报（12/18/22 点不生成） |
|
||
| LLM | 场景化配置 `configs/llm_models.yaml`（4 场景: event_extraction/daily_report/stock_report/embedding）；YAML 优先、`.env` 兜底；模型必须显式配置，无内置兜底 |
|
||
| 去重 | 多源记录：指纹库 `source_ids` 列 + uniques JSON `sources` 字段 + `data/deduped/{day}/sources.json` |
|
||
| 增量/断点 | M2/M4/M5 产物存在即跳过（`--force` 全量）；`pipeline --once --resume` 断点续跑（状态 `data/pipeline/state.json`） |
|
||
| 服务器 | `pi@192.168.1.160`（生产）/ `pi@192.168.1.10`（DB 隧道宿主） |
|
||
| 抓取方式 | js_render=false → httpx 直连；js_render=true → Playwright |
|
||
|
||
---
|
||
|
||
## 本次完成 (2026-08-12) — 增量处理与 pipeline 断点续跑
|
||
|
||
**目标：** ① 全链路中断后可从断点恢复；② 各子任务排除已处理文件，避免全量重跑与重复 API 计费。
|
||
|
||
**1. 各步骤增量处理（产物存在即跳过，`--force` 全量）：**
|
||
- M2 `run_extractor.py`：输出目录已有 `{url_hash}.json` 即跳过提取，仅回补 index 行；`--force` 重建；成功率统计含跳过项（修复全跳过时误报 rc=1）
|
||
- M4 `run_event_extraction.py`：`data/events/{day}/{url_hash}.json` 已存在即跳过（**不重复调用 LLM API**）；`--force` 全量；failed.jsonl 只保留本次失败、index 累积追加
|
||
- M5 `run_embedding.py`：`data/embeddings/{day}/{url_hash}.json` 已存在即跳过（**不重复调用 embed API**）；`--force` 全量
|
||
- M1（seen_urls 增量）/ M3（指纹库判重）/ M6（upsert 幂等）为既有能力，README 汇总成表
|
||
|
||
**2. pipeline 断点续跑（scheduler/pipeline.py + run_scheduler.py）：**
|
||
- 新增 `data/pipeline/state.json`（按日期隔离，记录每步骤 ok/failed + 退出码 + 耗时），原子写
|
||
- `run_pipeline(resume=True)` 跳过连续成功前缀，从首个失败/未执行步骤继续执行到结尾
|
||
- `pipeline --once --resume`（默认全量不变；`--resume` 与 `--steps` 互斥报错）；定时守护模式不受影响
|
||
|
||
**验证（Mac 本地，20260616 数据 100 篇）：**
|
||
- pytest **225 passed**（新增 tests/test_incremental.py 10 个：M2/M4/M5 跳过、状态记录、resume 续跑、resume 全完成 noop、--resume+--steps 互斥）；crawler 3 个基线失败仍与本次无关
|
||
- ruff 零新增（9 个基线错误不变）
|
||
- 端到端：M2 增量重跑 140 条跳过 126 条，2.5s 完成、rc=0（修复前误报失败）；state.json 正确记录 extractor ok
|
||
|
||
**效果评估（100 篇规模中断重跑场景）：**
|
||
- M4 减少约 100 次 LLM API 调用、M5 减少约 100 次 embedding API 调用 → 中断恢复不再重复计费，耗时从分钟级降至秒级
|
||
- M2 重跑从全量 GNE 提取（分钟级）降至约 2.5s
|
||
- 断点恢复操作：中断后直接重跑同一条 `pipeline --once --resume` 命令即可
|
||
|
||
**待办：**
|
||
- 同步 pi5（代码 + 文档），重启 `a-share-research`；首次同步后 pi5 的 `data/pipeline/state.json` 不存在 → resume 按全量处理，行为安全
|
||
- git 提交（本次改动尚未提交）
|
||
|
||
---
|
||
|
||
## 本次完成 (2026-08-05) — 日报可靠性修复与取数逻辑优化
|
||
|
||
**目标：** 解决日报 AI 摘要偶发失败；修正日报日期与 xwlb/新闻取数语义。
|
||
|
||
**1. AI 摘要可靠性（llm/client.py + scheduler/reporter.py）：**
|
||
- 去掉内置默认模型兜底（`deepseek-chat`/`qwen-plus`），模型必须显式配置（`DEEPSEEK_MODEL`/`QWEN_MODEL` → `LLM_MODEL`），缺失即报错，避免静默用错模型
|
||
- `_llm_call` 增加指数退避重试：`_LLM_RETRY_TIMES`（默认 3 次）、`_LLM_RETRY_BACKOFF_SEC`（默认 2.0s，可 .env 覆盖），全部失败才抛异常
|
||
- 确认 AI 摘要模型：`deepseek` + `deepseek-v4-flash`（生产实测）
|
||
|
||
**2. 日报取数逻辑（scheduler/pipeline.py + reporter.py）：**
|
||
- pipeline report 步骤：`report_date = date.today()`（原为昨天+回溯 3 天）
|
||
- `_collect_news_events`：读当天+前一天事件目录，按 `publish_time` 过滤最近 30 小时（`_NEWS_LOOKBACK_HOURS=30`）；时区统一（naive 假定本地时区）；无时间戳事件保留
|
||
- `_collect_xwlb`：固定查 `day_str` 前一日（《新闻联播》19:00 播出，早间日报只能取昨晚已播出的一期）；`source_date` 同步为实际来源日
|
||
- **公告/调研/互动保持原设置：近 15 日（`STOCK_REPORT_DAYS=15`），irm 互动仍跳过**——未受 30h 改动影响
|
||
|
||
**验证（pi5）：**
|
||
- 单测 9 个（30h 回溯/带时区时间戳/重试/模型缺失报错/xwlb 前一日）全部通过；全量 212 passed + 3 crawler 预存在失败
|
||
- 生产端到端 report_id=191（2026-08-05）：news 20 + cninfo 20 + xwlb 34（08-04 联播），AI 摘要 2076 字
|
||
- 生产服务已重启生效
|
||
|
||
**本次代码尚未 git 提交（见待办）。**
|
||
|
||
---
|
||
|
||
## 本次完成 (2026-08-03 22:00) — pi5 部署与生产测试
|
||
|
||
**操作：** M10 代码全量同步 pi5 + 生产环境验收（所有测试在 pi5 执行，Mac 不再作为测试环境）。
|
||
|
||
**文件同步：** rsync 本地 → `pi5:/home/pi/news/`（排除 .venv/data/logs/.git/.env/configs/*.yaml）；清除 pi5 根目录 6 月 17 日旧版散文件（已 tar 备份 /tmp/news_backup_20260803.tar.gz）；pi5 `uv sync` 装 pymysql。
|
||
|
||
**DB 隧道修复：** pi 原 autossh 参数 `-L 13306:0.0.0.0:3306` 未生效（0.0.0.0 被当远端目标），改为 `-L 0.0.0.0:13306:127.0.0.1:3306` 并持久化为 systemd 服务 `a-share-db-tunnel`（enabled + active）。
|
||
|
||
**测试结果（pi5）：**
|
||
- 全量 pytest：**208 passed, 3 failed**（3 个失败均为 crawler retry mock 预先存在问题，与 M10 无关）
|
||
- `report-import` 幂等：已存在文件正确 skipped
|
||
- 生产端到端：`a-share report --date 20260802/20260803` → report_id=181/182 入库成功（AI 摘要正常，57/58 事件）
|
||
- DB 总量：finance 52 + intl 128 = 180 行（历史 177 + 端到端测试 2 + 本机 1）
|
||
- 生产服务 `a-share-research` 已重启 active，22:00 定时任务起用新代码
|
||
|
||
**已知问题：**
|
||
- `tests/test_crawler.py` 3 个 retry 测试失败（预先存在，crawl4ai mock 行为）
|
||
- Mac 本机 anaconda/uv python 出站到 192.168.1.10 被拦截（EHOSTUNREACH；nc/bash/系统 python 正常）——仅影响本机，pi5 不受影响；Mac 本地用 `127.0.0.1` + ssh 隧道绕过
|
||
- 生产 pi5 的 `.env` 里 `NEWS_DB_HOST=192.168.1.10`（直连）；Mac 本地 `.env` 为 `127.0.0.1`（隧道）——**两处 .env 不同，勿互相覆盖**
|
||
|
||
---
|
||
|
||
## 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：**
|
||
```bash
|
||
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
|
||
|
||
```env
|
||
# ---- 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
|
||
|
||
```bash
|
||
# 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
|