mirror of
https://gitverse.ru/kpa39l/vesti.git
synced 2026-09-29 09:55:03 +00:00
kpa39l
46 lines
3.4 KiB
Markdown
46 lines
3.4 KiB
Markdown
# Proposal: crawler-queue
|
||
|
||
## Why
|
||
|
||
Сейчас фазы сбора и обработки не разделены: каждый краулер (telegram/rss) сам
|
||
собирает посты и сам же (через `classifier.classify`) разбирает их на
|
||
классификацию. Это последовательно: весь прогон — один поток, один источник за
|
||
раз. При этом самая дорогая часть — фаза 3 (классификация через Ollama,
|
||
дотягивание текста трафилатурой) — выполняется последовательно и без видимости
|
||
процесса: непонятно, сколько кандидатов в очереди, какие источники живы, что
|
||
упало.
|
||
|
||
Пользователь хочет:
|
||
1. Отдельная страница `/crawlers` — статус работы краулеров (alive/dead,
|
||
last_fetch, ошибки) и размер очереди.
|
||
2. Двухфазный сбор: (1) краулеры проходят по источникам → ищут новых кандидатов;
|
||
(2) найденное кладётся в очередь; (3) воркеры разбирают очередь в НЕСКОЛЬКО
|
||
ПОТОКОВ.
|
||
|
||
Анализ текущего кода:
|
||
- Очередь фазы 2 уже существует — это `posts` со `status='new'` и
|
||
`classified IS NULL OR classified=0` (классификатор выбирает именно их,
|
||
`SELECT ... WHERE classified IS NULL OR classified=0 LIMIT ?`).
|
||
- Отдельная таблица `crawl_queue` НЕ нужна — она дублировала бы `posts`.
|
||
«Размер очереди» = `COUNT(*) FROM posts WHERE classified IS NULL OR classified=0`.
|
||
- Чего нет: (а) параллельной фазы 3 (ThreadPoolExecutor), (б) страницы `/crawlers`,
|
||
(в) разделения «сбор» и «обработка» как независимых запусков.
|
||
|
||
## Goal
|
||
|
||
- Параллельная фаза 3: воркеры (N потоков) разбирают очередь
|
||
`posts(classified=0)` — классификация (keywords → Ollama) + дотягивание текста
|
||
(trafilatura) по пайплайну `classifier.classify`.
|
||
- Страница `/crawlers` (веб, за auth): таблица источников (slug, name, crawler,
|
||
status, last_fetch, last_error, error_count, priority), размер очереди
|
||
(pending/processing/done), кнопки «Запустить сейчас» и «Сбросить dead».
|
||
- Разделение: `crawler/worker.py` (фаза 3, N потоков) и `crawler/crawl_sources.py`
|
||
(фаза 1: собрать новых кандидатов в очередь) — независимые запуски.
|
||
- Терминология (для доков): true-конкурентность на IO-bound задачах через потоки;
|
||
GIL не мешает, т.к. фаза 3 — ожидание сети.
|
||
|
||
## Non-goals
|
||
|
||
- Не вводим Redis/RabbitMQ/брокеры — SQLite-очередь (claim по `posts`) достаточна.
|
||
- Не выносим в микросервисы — всё в рамках существующего веба/краулера.
|
||
- Не переписываем telegram_crawler; RSS-краулер уже работает. |