feat: 爬虫页取代抓取任务/入库任务两页,抓取改全量+覆盖率跳过
一、后台只留一个「爬虫」页(/admin/spider) 抓取与入库本就是同一条流水线的上下游,分两页看谁都看不全。 新页三块:状态条(在线/卡住 + 队列数 + 待入库数)、正在抓(含进度与心跳)、 最近入库结果(品牌/场次/结果/说明)。只读,取消与重试一并下线。 二、抓取一律全量 删除品牌页的场次上限下拉与 hidden maxShows=3,入队固定 0(全量)。 crawl_tasks.max_shows 列保留,历史任务照常显示。 三、跳过判定改覆盖率 - brand_runways 增加 expected_images(spider 上报的应有张数) - /shows/covered 返回 images + expected - 实际张数 >= 应有 - 5 才跳过;expected=0 时回落 10 张阈值 - 实体已存在时不再直接跳过:按 key 比对把缺的图补进库(repaired) 否则「判定不完整→重爬→后端跳过」会形成死循环,带宽白花、缺图永远补不上 四、租约 900→300 秒,且心跳算存活 只看 locked_at 会把跑了几小时的全量抓取误判成卡死; 加上 progress_at 后,真卡住 5 分钟才回收。
This commit is contained in:
@ -16,9 +16,13 @@ const (
|
||||
CrawlCanceled = "canceled" // 后台手动取消
|
||||
)
|
||||
|
||||
// CrawlStuckTimeoutSec 是 running 任务的租约时长:超过该时长仍未回报,
|
||||
// 视为 worker 已崩溃(断电 / 被杀),任务可被重新领取,避免永久卡在 running。
|
||||
const CrawlStuckTimeoutSec = 900
|
||||
// CrawlStuckTimeoutSec 是 running 任务的「静默时长」阈值:领取后这么久既没回报、
|
||||
// 也没有进度心跳,才视为 worker 已崩溃(断电 / 被杀),任务可被重新领取。
|
||||
//
|
||||
// 300 秒而不是更长:卡住后 5 分钟内自动回收,不必人工干预。
|
||||
// 判活同时看 progress_at(spider 每 60 秒打一次心跳)——只看 locked_at 会把
|
||||
// 跑了十几分钟的正常任务误判成卡死(一次全量抓取可能要几个小时)。
|
||||
const CrawlStuckTimeoutSec = 300
|
||||
|
||||
// CrawlMaxAttempts 自动重试上限;达到后置 failed,需后台手动「重试」。
|
||||
const CrawlMaxAttempts = 3
|
||||
|
||||
Reference in New Issue
Block a user