151e09ab30
crawl（品牌抓取任务队列） - /admin/internal/crawl/tasks 领取 / :id/result 回报，spider 可常驻拉任务 - 后台品牌列表支持「加入抓取队列」，队列页可看状态与重试 - 租约超时的 running 自动回收为 queued，避免 worker 崩溃后任务卡死 media（媒体机直传） - ingest 载荷新增 main_key/detail_keys/main_size/detail_sizes： 有 key 就直接落库，跳过下载与上传；与 URL 形态可逐图混用 - 细节图按 Details/DetailKeys 两者较长者遍历（只给 key 时不再丢图） - 媒体机上传的 key 不进失败回滚清单（内容寻址、可能与他人共享） - /admin/internal/upload-url 签发 S4 PUT 预签名（spider 不持有 AK/SK） embeddings（向量回填） - GET /admin/internal/embeddings/pending 派发缺向量的图（含可直接下载的 url） - POST /admin/internal/embeddings 回写向量并重算近邻；失败项计入 image_embedding_failures，连续失败到上限后退出队列（坏图不占位） - 近邻重算改为异步串行：同步会让 100 张的批次 POST 超时（实测 >60s） - 新增 key 分支单测：混用 key/url、细节图只给 key、字节数、回滚清单、向量占位
58 lines
3.1 KiB
Go
58 lines
3.1 KiB
Go
package model
|
||
|
||
// CrawlTask 后台派发给爬虫服务的「品牌抓取任务」。
|
||
//
|
||
// 与 ingest_jobs 的分工：
|
||
// - ingest_jobs：一场走秀的入库任务，由后端 worker 消费（下载图 / 写库 / 编码）；
|
||
// - crawl_tasks：一个品牌的抓取任务，由 spider 服务领取执行（可能在另一台机器）。
|
||
//
|
||
// 两层解耦的好处：后台只需表达「我要爬哪些品牌」，不必关心 spider 在哪、跑几个。
|
||
// spider 拉不到任务就空转，任务积压也不会影响已有数据的读写。
|
||
const (
|
||
CrawlQueued = "queued" // 待领取
|
||
CrawlRunning = "running" // 已被某个 worker 领取
|
||
CrawlDone = "done" // 执行完成（不代表每场都入库成功，见 last_error）
|
||
CrawlFailed = "failed" // 执行失败（spider 进程报错 / 品牌在 Vogue 无页面等）
|
||
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
|
||
|
||
// CrawlMaxAttempts 自动重试上限；达到后置 failed，需后台手动「重试」。
|
||
const CrawlMaxAttempts = 3
|
||
|
||
// CrawlTask 品牌抓取任务。
|
||
// 时间字段与项目其它表一致，统一用 Unix 秒（uint32）。
|
||
type CrawlTask struct {
|
||
ID uint32 `gorm:"primaryKey;column:id" json:"id"`
|
||
BrandID uint32 `gorm:"column:brand_id;not null" json:"brand_id"`
|
||
// Status 见上方常量；默认 queued。
|
||
Status string `gorm:"column:status;size:16;not null;default:'queued'" json:"status"`
|
||
// Priority 越大越先被领取；用于「手动加的」优先于「批量加的」。
|
||
Priority int16 `gorm:"column:priority;not null;default:0" json:"priority"`
|
||
// MaxShows 单品牌最多抓几场（0=不限）。批量重爬历史品牌时用它控制入库量。
|
||
MaxShows int16 `gorm:"column:max_shows;not null;default:0" json:"max_shows"`
|
||
// Worker 领取者标识（主机名 + 进程号），便于排查「谁跑的」。
|
||
Worker string `gorm:"column:worker;size:64;not null;default:''" json:"worker"`
|
||
// LockedAt 领取时间，配合 CrawlStuckTimeoutSec 做租约回收。
|
||
LockedAt uint32 `gorm:"column:locked_at;not null;default:0" json:"locked_at"`
|
||
// Attempts 已被领取次数；用于自动重试与放弃判定。
|
||
Attempts int16 `gorm:"column:attempts;not null;default:0" json:"attempts"`
|
||
// ShowsSubmitted 本任务向 ingest 提交了多少场走秀（spider 回报）。
|
||
ShowsSubmitted int32 `gorm:"column:shows_submitted;not null;default:0" json:"shows_submitted"`
|
||
LastError string `gorm:"column:last_error;type:text" json:"last_error"`
|
||
CreatedAt uint32 `gorm:"column:created_at;not null;default:0" json:"created_at"`
|
||
UpdatedAt uint32 `gorm:"column:updated_at;not null;default:0" json:"updated_at"`
|
||
}
|
||
|
||
// TableName 指定表名。
|
||
func (CrawlTask) TableName() string { return "crawl_tasks" }
|
||
|
||
// CrawlTaskRow 是列表/领取接口用的投影行，附带品牌名（列表展示与拼 Vogue URL 都用得上）。
|
||
type CrawlTaskRow struct {
|
||
CrawlTask
|
||
BrandName string `gorm:"column:brand_name"`
|
||
}
|