mirror of
https://github.com/stardrophere/InsightRadar.git
synced 2026-06-05 23:32:49 +08:00
stardrophere
220 lines
11 KiB
Python
220 lines
11 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, NewsArticle, DataSyncTask, TaskStatus,
|
|
HeadlineRevision, RankingLog, SourceType, utcnow
|
|
)
|
|
|
|
# ==========================================
|
|
# 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，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哈希值
|
|
维护说明：
|
|
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 -> 根据业务类型分流存入对应的数据库表
|
|
|
|
执行流程：
|
|
1. 查询所有配置为“已启用”的信息源 (is_enabled == True)。
|
|
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，生成 MD5 唯一指纹进行全局去重。
|
|
4. 核心路由分流：
|
|
- 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获取和归还连接
|
|
with SessionLocal() as db:
|
|
# 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, */*",
|
|
"Referer": "https://newsnow.busiyi.world/",
|
|
"Origin": "https://newsnow.busiyi.world"
|
|
}
|
|
|
|
# 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:
|
|
# 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
|
|
|
|
# ==========================================
|
|
# 【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 (非 2xx 会抛出异常进入 except 块)
|
|
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 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+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. 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 # 临时指针，用于后续绑定排名轨迹
|
|
|
|
if existing_event:
|
|
# 场景 A1：该热搜已经在数据库中
|
|
|
|
# 监控并记录“标题暗改”（常见于热搜公关介入）
|
|
if existing_event.current_headline != title:
|
|
revision = HeadlineRevision(
|
|
event_id=existing_event.id,
|
|
previous_headline=existing_event.current_headline,
|
|
revised_headline=title
|
|
)
|
|
db.add(revision)
|
|
existing_event.current_headline = title # 覆盖为主表最新标题
|
|
|
|
# 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:
|
|
# 场景 A2：发现全新热搜
|
|
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)
|
|
# 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。
|
|
# 拿到合法的 event_to_log.id
|
|
db.flush()
|
|
event_to_log = new_event
|
|
|
|
# 排名轨迹强制记录
|
|
# 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
|
|
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
|
|
|
|
# --------------------------------------------------
|
|
# 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)
|
|
|
|
# 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:
|
|
# --------------------------------------------------
|
|
# 6. 异常拦截与错误隔离机制
|
|
# --------------------------------------------------
|
|
# 回滚本次抓取的全部脏数据，
|
|
db.rollback()
|
|
|
|
# 错误日志记下来
|
|
task_log.task_status = TaskStatus.ERROR
|
|
task_log.error_trace = str(e)
|
|
db.add(task_log)
|
|
|
|
|
|
db.commit()
|
|
print(f"[{source.source_name}] 抓取失败: {e}") |