small update

.gitignore

@@ -3,6 +3,8 @@ __pycache__/
 *.py[cod]
 *$py.class
 
+*.db-shm
+*.db-wal
 *.db
 .env
 .idea

backend/app/database.py

@@ -1,5 +1,5 @@
 # database.py
-from sqlalchemy import create_engine
+from sqlalchemy import create_engine, event
 from sqlalchemy.orm import sessionmaker
 
 # SQLite 数据库文件位置
@@ -10,9 +10,30 @@ engine = create_engine(
     SQLALCHEMY_DATABASE_URL, connect_args={"check_same_thread": False}
 )
 
+
+# ==========================================
+# 监听 SQLite 连接，注入 PRAGMA 指令
+# ==========================================
+@event.listens_for(engine, "connect")
+def set_sqlite_pragma(dbapi_connection, connection_record):
+    cursor = dbapi_connection.cursor()
+
+    # 1. 开启 WAL 模式：读写分离
+    cursor.execute("PRAGMA journal_mode=WAL;")
+
+    # 2. 优化同步模式：在 WAL 模式下，NORMAL 既能保证不丢数据，又能大幅提升写入速度
+    cursor.execute("PRAGMA synchronous=NORMAL;")
+
+    # 3. 强制开启外键约束：极其重要！SQLite 默认不检查外键，这行能保护你的多态关联不乱套
+    cursor.execute("PRAGMA foreign_keys=ON;")
+
+    cursor.close()
+
+
 # 创建数据库会话工厂
 SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)
 
+
 # 依赖注入函数：每个请求过来时，给它发一个数据库连接，请求结束时自动关闭
 def get_db():
     db = SessionLocal()

backend/app/services/fetcher_service.py

@@ -6,48 +6,57 @@ from dotenv import load_dotenv
 
 from app.database import SessionLocal
 from app.models.models import (
-    InfoSource, TrendingEvent, DataSyncTask, TaskStatus,
+    InfoSource, TrendingEvent, NewsArticle, DataSyncTask, TaskStatus,
-    HeadlineRevision, RankingLog, utcnow
+    HeadlineRevision, RankingLog, SourceType, utcnow
 )
 
-# 加载 .env 文件中的环境变量
+# ==========================================
+# 环境变量与全局配置
+# ==========================================
+# 加载环境变量
 load_dotenv()
 
-# 从环境变量获取 API 基础地址，提供默认回退地址
+# 从环境变量获取 API 基础地址，如果没有配置则提供默认回退地址
 API_BASE_URL = os.getenv("API_BASE_URL", "https://newsnow.busiyi.world/api/s")
 
 
 def generate_md5(text: str) -> str:
     """
-    生成32位MD5哈希
+    生成32位MD5哈希值
-    用途：为不同平台的数据生成统一的、长度固定的外部唯一标识（external_id），
+    维护说明：
-    方便建立数据库的唯一索引，防止同一条热搜重复插入。
+    各个平台（微博、知乎、微信等）返回的原始 ID 格式千奇百怪（有长数字、有UUID、有URL）。
+    为了方便数据库建立统一的高性能唯一索引（UniqueConstraint），
+    我们统一将其转为长度固定的 32 位 MD5 字符串作为 external_id。
     """
     return hashlib.md5(text.encode('utf-8')).hexdigest()
 
 
 async def fetch_and_save_trending_data():
     """
-    核心定时任务：从数据库读取信息源 -> 抓取API -> 解析并存入数据库
+    核心定时任务：从数据库读取信息源 -> 抓取API -> 解析 -> 根据业务类型分流存入对应的数据库表
 
-    业务流程：
+    执行流程：
-    1. 查询所有已启用的信息源 (is_enabled == True)
+    1. 查询所有配置为“已启用”的信息源 (is_enabled == True)。
-    2. 伪装成浏览器发起异步 HTTP 请求
+    2. 伪装 HTTP 请求头，规避目标服务器的反爬机制。
-    3. 遍历解析数据，进行去重判断 (MD5)
+    3. 遍历解析数据，生成 MD5 唯一指纹进行全局去重。
-    4. 记录标题变更轨迹 (HeadlineRevision) 和 热搜排名轨迹 (RankingLog)
+    4. 核心路由分流：
-    5. 统一提交或在发生异常时回滚脏数据
+       - 若源为 HOT_TREND/API，按热搜逻辑处理（记录名次轨迹、标题变更）。
+       - 若源为 RSS_FEED，按长文章逻辑处理（忽略名次，直接落库）。
+    5. 严格的事务管理：成功则统一提交，报错则回滚业务数据并独立提交错误日志。
     """
     print(f"[{utcnow()}] 开始执行定时抓取任务...")
 
-    # 使用上下文管理器确保数据库连接池正确归还连接
+    # 使用上下文管理器确保数据库连接池正确获取和归还连接
     with SessionLocal() as db:
-        # 1. 动态获取抓取源，这样在后台开关信息源不需要重启服务
+        # 1. 动态获取抓取源。
+        # 优势：在后台修改数据库的信息源开关，下一次定时任务立刻生效，无需重启服务。
         sources = db.query(InfoSource).filter(InfoSource.is_enabled == True).all()
         if not sources:
             print("没有找到启用的信息源，任务结束。")
             return
 
-        # 2. 伪装 HTTP 请求头，绕过目标服务器的反爬/防盗链机制
+        # 2. 伪装成真实的浏览器 HTTP 请求头
+        # 维护注意：如果抓取接口返回 403 Forbidden，通常是这里的反爬策略失效了，需要更新 User-Agent 或 Cookie
         custom_headers = {
             "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/145.0.0.0 Safari/537.36",
             "Accept": "application/json, text/plain, */*",
@@ -55,21 +64,27 @@ async def fetch_and_save_trending_data():
             "Origin": "https://newsnow.busiyi.world"
         }
 
-        # 复用异步客户端，提高并发抓取效率
+        # 复用异步 HTTP 客户端，比每次循环新建 Client 性能更高
         async with httpx.AsyncClient(timeout=15.0, headers=custom_headers) as client:
             for source in sources:
-                # 平台标识，如 "weibo", "zhihu" 等，这里复用了 home_url 字段存储
+                # platform_id 对应第三方接口的入参标识，如 "weibo", "zhihu" 等
                 platform_id = source.home_url
                 if not platform_id:
                     continue
 
-                # 拼装最终的抓取 URL
+                # ==========================================
+                # 【技术债预警 / TODO】
+                # 目前无论 source_type 是什么，都统一请求了这个 JSON API。
+                # 未来如果加入了真正的外部 RSS 订阅源（返回的是 XML 格式），
+                # 这里需要增加判断逻辑：如果是 RSS_FEED，应当使用 feedparser 库去解析 XML，而不是用 httpx 获取 JSON。
+                # ==========================================
                 url = f"{API_BASE_URL}?id={platform_id}&latest"
-                # 初始化本次抓取任务的日志记录
+
+                # 初始化本次特定信息源抓取任务的系统监控日志
                 task_log = DataSyncTask(source_id=source.id, items_fetched=0)
 
                 try:
-                    # 发起请求并校验 HTTP 状态码
+                    # 发起请求并校验 HTTP 状态码 (非 2xx 会抛出异常进入 except 块)
                     response = await client.get(url)
                     response.raise_for_status()
                     data_json = response.json()
@@ -84,40 +99,47 @@ async def fetch_and_save_trending_data():
 
                         item_url = item.get("url", "")
 
-                        # 3. ID 去重策略：优先用接口自带 ID，没有则用 URL，最差情况用标题兜底
+                        # 3. ID 兜底与去重策略
+                        # 优先用接口自带的 ID -> 没有则用 URL 代替 -> 最差情况用 title 兜底
                         raw_id = item.get("id") or item_url or title
-                        # 组合平台标识和原始 ID 算出全局唯一的 MD5
+                        # 组合“平台标识+原始ID”算出全局唯一的 MD5 外部标识
                         external_id = generate_md5(f"{platform_id}_{raw_id}")
 
-                        # 4. 在数据库中查询是否已经存在这条热搜
+                        # ==========================================
+                        # 4. 核心数据分流路由
+                        # 根据信息源的业务类型，将数据推入不同的物理表
+                        # ==========================================
+
+                        if source.source_type in (SourceType.HOT_TREND, SourceType.API):
+                            # --------------------------------------------------
+                            # 分支 A：热搜/短新闻逻辑 -> 写入 TrendingEvent 表
+                            # --------------------------------------------------
                             existing_event = db.query(TrendingEvent).filter(
                                 TrendingEvent.source_id == source.id,
                                 TrendingEvent.external_id == external_id
                             ).first()
 
-                        event_to_log = None  # 留个指针，用来后续记录名次历史
+                            event_to_log = None  # 临时指针，用于后续绑定排名轨迹
 
                             if existing_event:
-                            # -------- 分支 A：热搜已存在，执行更新逻辑 --------
+                                # 场景 A1：该热搜已经在数据库中
 
-                            # 监控标题变化（例如：微博热搜经常会改词条名字）
+                                # 监控并记录“标题暗改”（常见于热搜公关介入）
                                 if existing_event.current_headline != title:
-                                # 标题发生改变！立刻记录到修订历史表
                                     revision = HeadlineRevision(
                                         event_id=existing_event.id,
                                         previous_headline=existing_event.current_headline,
                                         revised_headline=title
                                     )
                                     db.add(revision)
-                                existing_event.current_headline = title  # 更新为主表最新标题
+                                    existing_event.current_headline = title  # 覆盖为主表最新标题
 
-                            # 更新当前最新的排名和链接
+                                # 更新当前的实时排名和 URL
                                 existing_event.current_ranking = index
                                 existing_event.event_url = item_url
-
                                 event_to_log = existing_event
                             else:
-                            # -------- 分支 B：全新热搜，执行插入逻辑 --------
+                                # 场景 A2：发现全新热搜
                                 new_event = TrendingEvent(
                                     source_id=source.id,
                                     external_id=external_id,
@@ -126,42 +148,73 @@ async def fetch_and_save_trending_data():
                                     current_ranking=index,
                                 )
                                 db.add(new_event)
-                            # 核心操作！flush 会将数据推入数据库生成自增的 ID，但不提交事务 (commit)。
+                                # db.flush() 是关键：它将数据推给数据库生成了自增的主键 ID，但尚未最终 commit。
-                            # 这样接下来的 RankingLog 就能立刻拿到 `new_event.id` 作为外键。
+                                # 拿到合法的 event_to_log.id
                                 db.flush()
                                 event_to_log = new_event
 
-                        # -------- 无论新旧，统一记录排名轨迹 --------
+                            # 排名轨迹强制记录
-                        # 只要抓取到，不管新旧，必须记一笔当前的排名！ <---
+                            # 只要抓到了热搜（无论新旧），必须打点记录当前名次，用于前端绘制排名趋势图
-                        # 借助这个表，后续可以画出某条热搜随时间变化的“排名上升/下降曲线”
                             rank_log = RankingLog(
                                 event_id=event_to_log.id,
                                 ranking_position=index
                             )
                             db.add(rank_log)
 
+                        elif source.source_type == SourceType.RSS_FEED:
+                            # --------------------------------------------------
+                            # 分支 B：长文章/传统订阅逻辑 -> 写入 NewsArticle 表
+                            # --------------------------------------------------
+                            existing_article = db.query(NewsArticle).filter(
+                                NewsArticle.source_id == source.id,
+                                NewsArticle.external_id == external_id
+                            ).first()
+
+                            if existing_article:
+                                # 文章如果已存在，通常只需要更新基础字段（文章一般不涉及排名起伏）
+                                existing_article.article_title = title
+                                existing_article.article_url = item_url
+                                # 预留位置：如果以后接口返回了摘要，可以在这里 update existing_article.original_summary
+                            else:
+                                # 全新文章入库
+                                new_article = NewsArticle(
+                                    source_id=source.id,
+                                    external_id=external_id,
+                                    article_title=title,
+                                    article_url=item_url,
+                                    # original_summary=item.get("desc", ""),
+                                    # author_name=item.get("author", "")
+                                )
+                                db.add(new_article)
+
+
+
                         saved_count += 1
 
-                    # 如果这一个平台的数据全部处理顺利，标记成功并整体提交
+                    # --------------------------------------------------
+                    # 5. 业务事务成功提交
+                    # --------------------------------------------------
+                    # 只有当前平台（source）的所有 item 都顺畅走完，才标记成功
                     task_log.items_fetched = saved_count
                     task_log.task_status = TaskStatus.SUCCESS
                     db.add(task_log)
-                    db.commit()  # ✅ 只在 try 顺利走完整个平台的数据时，才统一提交业务数据到硬盘
+
-                    print(f"[{source.source_name}] 成功抓取并更新了 {saved_count} 条数据")
+                    # 统一将当前信息源爬取的所有业务数据持久化到硬盘
+                    db.commit()
+                    print(f"[{source.source_name}] ({source.source_type}) 成功抓取并更新了 {saved_count} 条数据")
 
                 except Exception as e:
-                    # -------- 异常处理机制 --------
+                    # --------------------------------------------------
-                    # 独立日志记录
+                    # 6. 异常拦截与错误隔离机制
-
+                    # --------------------------------------------------
-                    # 第一步：遇到报错（如网络中断、解析错误），立刻回滚。
+                    # 回滚本次抓取的全部脏数据，
-                    # 丢弃这批脏数据，防止数据库出现一半更新一半没更新的“不一致状态”。
                     db.rollback()
 
-                    # 第二步：记录错误日志并独立提交。
+                    # 错误日志记下来
-                    # 因为上面执行了 rollback，之前 add 的 task_log 也被清空了状态，
-                    # 此时重新设置状态，并作为一次新的独立事务提交到数据库，方便后台监控报错。
                     task_log.task_status = TaskStatus.ERROR
                     task_log.error_trace = str(e)
                     db.add(task_log)
-                    db.commit()  # 提交错误日志本身
+
+
+                    db.commit()
                     print(f"[{source.source_name}] 抓取失败: {e}")