51e3d13383
一、防重复下载 图片 key 是内容 sha1，不下载无法判断是否已存在；又没存 source_url， 于是每次重爬都把几百张已下过的图再下一遍（线上实测 Celine 62 分钟、0 新增）。 新增 GET /admin/internal/shows/covered?brand_uid=，按 (年份,季节,类型) 聚合已入库图片数，供 spider 抓前整场跳过。 二、进度可见 一次抓取可能跑几十分钟，此前只有 running/done，看不出「在干什么」， 也分不清「慢」和「卡死」。 - crawl_tasks 增加 progress_done/total/text/at - POST /admin/internal/crawl/tasks/:id/progress（spider 每场 + 每批图片上报） - GET /admin/crawl/live（页面 4 秒轮询，局部刷新状态/进度/已提交） - progress_at 超过 10 分钟没更新标黄「可能卡住」 - 渲染测试守住进度列与轮询锚点
20 lines
1.3 KiB
SQL
20 lines
1.3 KiB
SQL
-- 抓取任务的执行进度。
|
||
--
|
||
-- 为什么需要：spider 一次抓取的品牌可能有几十场秀、每场几百张图，
|
||
-- 跑起来几分钟到几小时。此前只有 queued/running/done 三个状态，
|
||
-- 后台看到「执行中」就再无信息，既判断不了「在干什么」，
|
||
-- 也判断不了「是慢还是卡死」。
|
||
--
|
||
-- progress_at 与 updated_at 分开记：updated_at 会在领取/回报时变，
|
||
-- 而 progress_at 只有 spider 真的推进了才变——用它判卡死更准。
|
||
ALTER TABLE crawl_tasks
|
||
ADD COLUMN IF NOT EXISTS progress_done smallint NOT NULL DEFAULT 0,
|
||
ADD COLUMN IF NOT EXISTS progress_total smallint NOT NULL DEFAULT 0,
|
||
ADD COLUMN IF NOT EXISTS progress_text varchar(160) NOT NULL DEFAULT '',
|
||
ADD COLUMN IF NOT EXISTS progress_at bigint NOT NULL DEFAULT 0;
|
||
|
||
COMMENT ON COLUMN crawl_tasks.progress_done IS '已处理的秀数量（spider 上报）';
|
||
COMMENT ON COLUMN crawl_tasks.progress_total IS '本任务计划处理的秀数量（预检过滤后）';
|
||
COMMENT ON COLUMN crawl_tasks.progress_text IS '当前/最近一场秀的标题，供后台显示「正在抓什么」';
|
||
COMMENT ON COLUMN crawl_tasks.progress_at IS '最后一次进度心跳的 Unix 秒；用于判断任务是否卡死';
|