fix: 抓取前预检已入库的秀，避免重复下载（重爬 62 分钟 0 新增）

问题：图片 key 是内容 sha1，不下载就无法判断是否已存在；
后端又没存 source_url，无法做 URL 级判重。
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 跑了 62 分钟、约 600MB，入库 0 新增。

修复：
- 后端新增 GET /admin/internal/shows/covered?brand_uid=
  按 (年份, 季节, 类型) 聚合已入库图片张数
- spider 抓取前预检，整场已入库（>=10 张）就跳过，一张图都不下载
- 加 --force 可强制重抓（默认跳过）
- 媒体直传并发改为全进程共享信号量：此前秀级 2 × 每场 6 = 12 路
  同时打 Vogue，被限流后单张从 9.8s 掉到 ~90s
- 批次下载失败时打印第一条错误（此前只统计个数，查不出原因）

cmd/serve.go

@@ -124,6 +124,9 @@ func executeBrand(ctx context.Context, brandUID, brandName string, maxShows int)
 
 	s := spider.NewVogueSpider(serveMaxCo, 0, maxShows, IngestClient)
 	s.Debug = debug
+	// 默认跳过已入库的秀：图片 key 是内容 sha1，不下载无法判重，
+	// 场次级预检是唯一能在下载前省掉整场带宽的手段。
+	s.Force = forceAll
 	// 媒体机直传：spider 自己下载并上传图片，后端只写库。
 	if config.GlobalConfig.Media.Upload && IngestClient != nil {
 		s.Media = media.New(IngestClient, "runway", config.GlobalConfig.Media.Concurrency)
@@ -150,4 +153,6 @@ func init() {
 	serveCmd.Flags().IntVarP(&serveWorkers, "workers", "w", 1, "并发执行的品牌数（每路一个 goroutine）")
 	serveCmd.Flags().IntVarP(&serveInterval, "interval", "i", 5, "队列为空时的轮询间隔（秒）")
 	serveCmd.Flags().IntVarP(&serveMaxCo, "max-co", "m", 5, "单个品牌内部的抓取并发数")
+	// 与 vogue 子命令共用同一个开关：默认跳过已入库的秀，确需刷新时加 --force。
+	serveCmd.Flags().BoolVarP(&forceAll, "force", "f", false, "忽略「已入库」预检，强制重抓全部场次")
 }

cmd/vogue.go

@@ -12,6 +12,7 @@ var (
 	brandID  int64
 	maxCo    int
 	maxShows int
+	forceAll bool // --force：忽略「已入库」预检，强制重抓
 )
 
 var vogueCmd = &cobra.Command{
@@ -24,6 +25,8 @@ var vogueCmd = &cobra.Command{
 	if config.GlobalConfig.Media.Upload && IngestClient != nil {
 		vogueSpider.Media = media.New(IngestClient, "runway", config.GlobalConfig.Media.Concurrency)
 	}
+	// --force：跳过「已入库的秀」预检，强制重抓（默认跳过，避免重复下载）。
+	vogueSpider.Force = forceAll
 
 		// 2. 修复方法名：将 Execute() 改为 Run()
 		vogueSpider.Run()
@@ -41,4 +44,7 @@ func init() {
 
 	// 小批量试爬：仅抓取单个品牌的前 N 场发布会（0=不限制）。用于控制入库量 / 先看效果。
 	vogueCmd.Flags().IntVarP(&maxShows, "max-shows", "s", 0, "单个品牌最多抓取的发布会场次（0=不限制，小批量试爬用）")
+
+	// 默认跳过已入库的秀（省带宽）；确需刷新元数据时加 --force。
+	vogueCmd.Flags().BoolVarP(&forceAll, "force", "f", false, "忽略「已入库」预检，强制重抓全部场次")
 }

internal/ingest/client.go

@@ -195,6 +195,63 @@ type EmbeddingFailure struct {
 }
 
 // FetchPendingEmbeddings 拉一批缺向量的图片。remaining 为后端统计的剩余量（-1 = 统计失败）。
+// ShowCoverageKey 生成「秀覆盖」预检键：年份|季节|类型，与后端的实体键一一对应。
+func ShowCoverageKey(year int, season, collectionType string) string {
+	return strconv.Itoa(year) + "|" + season + "|" + collectionType
+}
+
+// CoveredShows 取某品牌已入库的秀，返回「预检键 → 已有图片张数」。
+//
+// 用途：抓取前整场跳过已入库的秀。图片 key 是内容 sha1，不下载就无法知道
+// 一张图是否已经存在，所以「跳过」只能在场这一级做。
+func (c *Client) CoveredShows(ctx context.Context, brandUID string) (map[string]int, error) {
+	if c == nil || c.Endpoint == "" {
+		return nil, fmt.Errorf("ingest client 未配置")
+	}
+	url := c.internalBase() + "/shows/covered?brand_uid=" + neturl.QueryEscape(brandUID)
+	ts := NowTS()
+	nonce, err := newNonce()
+	if err != nil {
+		return nil, err
+	}
+	req, err := http.NewRequestWithContext(ctx, http.MethodGet, url, nil)
+	if err != nil {
+		return nil, err
+	}
+	req.Header.Set("X-Signature", Sign(c.Secret, ts, nonce, ""))
+	req.Header.Set("X-Timestamp", ts)
+	req.Header.Set("X-Nonce", nonce)
+
+	resp, err := c.HTTPClient.Do(req)
+	if err != nil {
+		return nil, err
+	}
+	defer resp.Body.Close()
+	raw, _ := io.ReadAll(resp.Body)
+	if resp.StatusCode != http.StatusOK {
+		return nil, fmt.Errorf("shows/covered http %d: %s", resp.StatusCode, string(raw))
+	}
+	var out struct {
+		Items []ShowCoverage `json:"items"`
+	}
+	if err := json.Unmarshal(raw, &out); err != nil {
+		return nil, fmt.Errorf("shows/covered 解析失败: %w", err)
+	}
+	covered := make(map[string]int, len(out.Items))
+	for _, it := range out.Items {
+		covered[ShowCoverageKey(int(it.Year), it.Season, it.CollectionType)] = it.Images
+	}
+	return covered, nil
+}
+
+// ShowCoverage 一场秀在库里的覆盖情况。
+type ShowCoverage struct {
+	Year           uint16 `json:"year"`
+	Season         string `json:"season"`
+	CollectionType string `json:"collection_type"`
+	Images         int    `json:"images"`
+}
+
 func (c *Client) FetchPendingEmbeddings(ctx context.Context, kind string, limit int) ([]PendingEmbedding, int, error) {
 	if c == nil || c.Endpoint == "" {
 		return nil, 0, fmt.Errorf("ingest client 未配置")

internal/media/upload.go

@@ -31,8 +31,27 @@ import (
 type Uploader struct {
 	Client      *ingest.Client // 复用它来签发预签名 URL（HMAC）
 	Prefix      string         // 存储前缀：runway / street
-	Concurrency int            // 下载与上传的并发数
+	Concurrency int            // **全进程共享**的下载/上传并发数
 	HTTP        *http.Client
+
+	// sem 全进程共享的信号量，避免「每场秀各开 N 路」叠乘。
+	//
+	// 早先每个 UploadAll 调用各自 make 一个信号量：秀级并发 2 × 每场 6 = 12 路
+	// 同时打 Vogue，被对方限流，单张从 9.8s 掉到 ~90s，还伴随 50% 失败。
+	once sync.Once
+	sem  chan struct{}
+}
+
+// semaphore 惰性初始化共享信号量（并发数非法时兜底为 1，否则无缓冲 channel 会死锁）。
+func (u *Uploader) semaphore() chan struct{} {
+	u.once.Do(func() {
+		c := u.Concurrency
+		if c <= 0 {
+			c = 1
+		}
+		u.sem = make(chan struct{}, c)
+	})
+	return u.sem
 }
 
 // Result 单张图的直传结果；Err 非空表示这张失败（调用方应回退为上报 URL）。
@@ -94,7 +113,19 @@ func (u *Uploader) uploadBatch(ctx context.Context, urls []string, results []Res
 		}
 		data[i] = body
 	})
-	log.Printf("[media] 下载完成 %d 张（失败 %d）", countOK(data), n-countOK(data))
+	// 失败时把**第一条**错误打出来：失败通常是同一个原因（限流 / 连接重置），
+	// 全打会把日志刷爆，而一条就足以定位。此前只统计个数，导致 50% 失败却查不出原因。
+	if ok := countOK(data); ok < n {
+		for i := 0; i < n; i++ {
+			if errs[i] != nil {
+				log.Printf("[media][warn] 下载失败 %s: %v", clipURL(urls[start+i]), errs[i])
+				break
+			}
+		}
+		log.Printf("[media] 下载完成 %d 张（失败 %d）", ok, n-ok)
+	} else {
+		log.Printf("[media] 下载完成 %d 张（失败 0）", ok)
+	}
 
 	// ② 生成本批 key（内容 sha1 + 原扩展名）
 	for i := 0; i < n; i++ {
@@ -164,11 +195,10 @@ func (u *Uploader) parallel(n int, fn func(i int)) {
 	if n == 0 {
 		return
 	}
-	if u.Concurrency <= 0 {
-		// 兜底：并发为 0 会造成无缓冲 channel 死锁（曾把整条抓取卡住）。
-		u.Concurrency = 1
-	}
-	sem := make(chan struct{}, u.Concurrency)
+	// 共享信号量：并发上限是**整个进程**的，不是每次调用各自一份。
+	// 早先每次 UploadAll 各建一个：秀级并发 2 × 每场 6 = 12 路同时打 Vogue，
+	// 被对方限流后单张从 9.8s 掉到 ~90s，并伴随大量失败。
+	sem := u.semaphore()
 	var wg sync.WaitGroup
 	for i := 0; i < n; i++ {
 		wg.Add(1)
@@ -224,6 +254,14 @@ func (u *Uploader) put(ctx context.Context, putURL, originalURL string, data []b
 	return nil
 }
 
+// clipURL 截短 URL 只用于日志（完整 URL 太长，会淹没真正有用的错误信息）。
+func clipURL(u string) string {
+	if len(u) <= 90 {
+		return u
+	}
+	return u[:90] + "..."
+}
+
 // countOK 数一下成功下载的张数（用于日志定位卡在哪一步）。
 func countOK(data [][]byte) int {
 	n := 0

internal/spider/vogue.go

@@ -42,6 +42,10 @@ type VogueSpider struct {
 	BrandID  uint           // 客户端指定的品牌 ID（--brand，单品牌调试用）
 	MaxShows int            // 小批量模式：单品牌最多抓取的发布会场次（0=不限制）
 	Debug    bool           // Debug 模式：仅输出不入库
+	// Force 忽略「已入库」预检，强制重抓全部场次（--force）。
+	// 默认 false：整场已入库就跳过，一张图都不下载——图片 key 是内容 sha1，
+	// 不下载无法判断是否已存在，只能靠这一层预检来省掉整场带宽。
+	Force bool
 	// Media 媒体机直传器（可为 nil：为 nil 时走旧路径，上报 URL 由后端下载）。
 	Media *media.Uploader
 	// submitted 本次品牌执行中成功上报的场次数（服务化模式回报给后台用）。
@@ -206,6 +210,53 @@ func (s *VogueSpider) filterUncrawled(showsList []gjson.Result) []gjson.Result {
 	return showsList
 }
 
+// coveredMinImages 一场秀至少已入库多少张，才算「抓全了、可以整场跳过」。
+//
+// 用阈值而不是「>0」：只存了两三张说明当初大面积失败，这时重抓补齐
+// 比跳过更有价值；而几百张的秀几乎不可能再变，跳过无损失。
+const coveredMinImages = 10
+
+// skipCoveredShows 询问后端「这个品牌哪些秀已经入库了」，把命中的整场剔除。
+//
+// 这是唯一能在下载**之前**判重的地方：图片 key 是内容 sha1，
+// 必须先下载才能算出 key，所以「这张图有没有」无法在下载前回答，
+// 但「这场秀有没有」可以——秀的身份是 品牌+年份+季节+类型。
+//
+// 预检失败不阻断抓取：宁可多下一遍，也不能因为一次查询失败把整场丢掉。
+func (s *VogueSpider) skipCoveredShows(brandUID, brandName string, list []gjson.Result) []gjson.Result {
+	if s.Ingest == nil || s.Force || len(list) == 0 {
+		return list
+	}
+	covered, err := s.Ingest.CoveredShows(context.Background(), brandUID)
+	if err != nil {
+		log.Printf("[skip][warn] 预检已入库秀失败，按全量抓取: %v", err)
+		return list
+	}
+	if len(covered) == 0 {
+		return list
+	}
+
+	out := make([]gjson.Result, 0, len(list))
+	skipped := 0
+	for _, info := range list {
+		hed := info.Get("hed").String()
+		ct, season := ingest.ParseCollection(hed)
+		// 年份取不到时不做跳过：键对不上，宁可重抓也不错判成「已有」。
+		if year := s.parseYear(hed); year > 0 {
+			if n, ok := covered[ingest.ShowCoverageKey(year, season, ct)]; ok && n >= coveredMinImages {
+				skipped++
+				continue
+			}
+		}
+		out = append(out, info)
+	}
+	if skipped > 0 {
+		log.Printf("[skip] [%s] 跳过 %d 场已入库的秀（各 ≥%d 张），剩余 %d 场待抓",
+			brandName, skipped, coveredMinImages, len(out))
+	}
+	return out
+}
+
 // SpiderStart 针对单个品牌开启抓取
 func (s *VogueSpider) SpiderStart(task ingest.CrawlBrand) {
 	brandName := s.getTaskName(task.Name)
@@ -220,6 +271,9 @@ func (s *VogueSpider) SpiderStart(task ingest.CrawlBrand) {
 
 	// 抓取前不再做预检（source_url 预检已下线）；直接抓取，去重由后端 worker 按实体键幂等收敛。
 	showsList = s.filterUncrawled(showsList)
+	// 场次级预检：整场已入库的秀直接跳过，一张图都不下载。
+	// 这是唯一能在「下载之前」判重的位置（图片 key 是内容 sha1，下载后才能算出来）。
+	showsList = s.skipCoveredShows(task.BrandUID, brandName, showsList)
 	if len(showsList) == 0 {
 		log.Printf("[Info] 品牌 [%s] 的图集均已爬取过，全部跳过", brandName)
 		return