mirror of
https://github.com/stardrophere/InsightRadar.git
synced 2026-06-05 23:56:36 +08:00
stardrophere
168 lines
8.0 KiB
Python
168 lines
8.0 KiB
Python
# app/services/fetcher_service.py
|
|
import os
|
|
import hashlib
|
|
import httpx
|
|
from dotenv import load_dotenv
|
|
|
|
from app.database import SessionLocal
|
|
from app.models.models import (
|
|
InfoSource, TrendingEvent, DataSyncTask, TaskStatus,
|
|
HeadlineRevision, RankingLog, utcnow
|
|
)
|
|
|
|
# 加载 .env 文件中的环境变量
|
|
load_dotenv()
|
|
|
|
# 从环境变量获取 API 基础地址，提供默认回退地址
|
|
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
|
|
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），
|
|
方便建立数据库的唯一索引，防止同一条热搜重复插入。
|
|
"""
|
|
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
|
|
|
|
业务流程：
|
|
1. 查询所有已启用的信息源 (is_enabled == True)
|
|
2. 伪装成浏览器发起异步 HTTP 请求
|
|
3. 遍历解析数据，进行去重判断 (MD5)
|
|
4. 记录标题变更轨迹 (HeadlineRevision) 和 热搜排名轨迹 (RankingLog)
|
|
5. 统一提交或在发生异常时回滚脏数据
|
|
"""
|
|
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
|
|
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
|
|
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
|
|
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, */*",
|
|
"Referer": "https://newsnow.busiyi.world/",
|
|
"Origin": "https://newsnow.busiyi.world"
|
|
}
|
|
|
|
# 复用异步客户端，提高并发抓取效率
|
|
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 = source.home_url
|
|
if not platform_id:
|
|
continue
|
|
|
|
# 拼装最终的抓取 URL
|
|
url = f"{API_BASE_URL}?id={platform_id}&latest"
|
|
# 初始化本次抓取任务的日志记录
|
|
task_log = DataSyncTask(source_id=source.id, items_fetched=0)
|
|
|
|
try:
|
|
# 发起请求并校验 HTTP 状态码
|
|
response = await client.get(url)
|
|
response.raise_for_status()
|
|
data_json = response.json()
|
|
|
|
items = data_json.get("items", [])
|
|
saved_count = 0
|
|
|
|
for index, item in enumerate(items, 1):
|
|
title = item.get("title")
|
|
if not title:
|
|
continue
|
|
|
|
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
|
|
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
|
|
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
|
|
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
|
|
|
|
if existing_event:
|
|
# -------- 分支 A：热搜已存在，执行更新逻辑 --------
|
|
|
|
# 监控标题变化（例如：微博热搜经常会改词条名字）
|
|
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
|
|
|
|
# 更新当前最新的排名和链接
|
|
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 --------
|
|
new_event = TrendingEvent(
|
|
source_id=source.id,
|
|
external_id=external_id,
|
|
current_headline=title,
|
|
event_url=item_url,
|
|
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)。
|
|
# 这样接下来的 RankingLog 就能立刻拿到 `new_event.id` 作为外键。
|
|
db.flush()
|
|
event_to_log = new_event
|
|
|
|
# -------- 无论新旧，统一记录排名轨迹 --------
|
|
# 只要抓取到，不管新旧，必须记一笔当前的排名！ <---
|
|
# 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)
|
|
|
|
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
|
|
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")
|
|
|
|
except Exception as e:
|
|
# -------- 异常处理机制 --------
|
|
# 独立日志记录
|
|
|
|
# 第一步：遇到报错（如网络中断、解析错误），立刻回滚。
|
|
# 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。
|
|
# 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
|
|
print(f"[{source.source_name}] 抓取失败: {e}")
|