非遗新闻采集 - 实现规划

数据源：广州日报新花城（需求详见仓库根目录 非遗新闻采集.md）

目标（本次范围）

实现到：数据采集 -> 数据清洗 -> 存储到数据库。PDF 导出与数据表格交付留待下阶段。

技术栈

JDK 25、Maven
JDK 内置 HttpClient
jsoup 解析/清洗 HTML
jackson 解析 JSON
mybatis-plus（standalone 模式，不使用 Spring，MybatisPlusSqlSessionFactoryBuilder）
HikariCP 连接池
PostgreSQL 存储
JUnit 5 作为两个阶段的启动入口

数据库

库：yangyi，模式：new_collection
连接：jdbc:postgresql://localhost:5432/yangyi?currentSchema=new_collection，用户 yangyi / 密码 MIMA2004
实现时执行 CREATE SCHEMA IF NOT EXISTS new_collection;
程序启动时 CREATE TABLE IF NOT EXISTS new_collection.news (...)，无需迁移工具
初始化脚本见 sql/init.sql（重跑会清空 news 表）

表结构 news

列	类型	说明
id	varchar(64) PK	接口 data.id，唯一标识
title	text	标题（列表接口）
url	text	新闻地址（列表接口）
publish_time	timestamp	发布时间（列表接口）
channel_id	varchar(64)	频道 id
channel_name	varchar(128)	频道名称
editor	varchar(255)	编辑（阶段一取列表接口 data.userName；阶段二详情页解析到则覆盖）
text_reporters	text	文字记者，逗号分隔
image_reporters	text	图片记者，逗号分隔
correspondents	text	通讯员，逗号分隔
content	text	清洗后的详情 html；NULL 表示待补详情
content_fetched_at	timestamp	详情采集时间
created_at	timestamp default now()	入库时间

目录结构

生产代码 src/main/java/space/anyi/：

类	职责
`entity/News`	`@TableName("news")` 实体
`mapper/NewsMapper`	`BaseMapper<News>`
`dto/ChannelAllContentsResponse`	列表接口响应（status/msg/total/pages/list）
`dto/NewsItem`	list 元素（id + data）
`dto/NewsItemData`	data 字段映射（id/title/url/publishTime/channelId/channelName/userName）
`config/Config`	加载 `collection.properties`，类型化 getter
`db/Db`	HikariCP DataSource + 建 schema/表
`db/Mybatis`	构建 SqlSessionFactory，统一会话获取/提交/回滚
`client/GzCmcClient`	JDK HttpClient 封装：`search` / `fetchDetail`
`cleaner/DetailCleaner`	jsoup 清洗 + 记者/编辑解析
`service/ListCollectService`	阶段一：列表采集 + 去重 + 入库
`service/DetailCollectService`	阶段二：补详情 + 清洗 + 解析 + 更新

测试代码 src/test/java/space/anyi/（启动入口，两阶段分离）：

类	方法	运行
`ListCollectTest`	`@Test void collectList()`	`mvn test -Dtest=ListCollectTest`
`DetailCollectTest`	`@Test void collectDetail()`	`mvn test -Dtest=DetailCollectTest`

依赖：mybatis-plus:3.5.9、HikariCP:6.3.3、postgresql:42.7.4、jsoup:1.16.1、jackson-databind:2.18.3、junit-jupiter:5.14.0、maven-surefire-plugin:3.5.6

阶段一：列表采集（ListCollectTest）

对配置中每个频道（channel.ids 逗号分隔）× 每个关键词（keywords 逗号分隔）做双层循环（组合数 O(频道数×关键词数) = O(n²)），每个组合独立全量采集；后期加词/加频道只改配置：

pageSize=2000 分页请求 https://www.gz-cmc.com/contentapi/api/content/getChannelAllContents?siteId=5e88c884e2ed4e7a9a8d5225c299f707&keyword={kw}&channelId={cid}&pageNum={n}&pageSize=2000（channelId 取自配置，可能多个），直到 pageNum > pages 或 list 为空
请求头必带 referer: https://www.gz-cmc.com/
每条记录映射为实体，按 data.publishTime（格式 yyyy-MM-dd HH:mm:ss）过滤在 [publish.start, publish.end] 内
去重：selectBatchIds 查出本页已存在 id，仅插入缺失记录（幂等，可重复运行）
此时 content 为 NULL，作为阶段二待补队列

阶段二：详情采集 + 清洗（DetailCollectTest）

查 content IS NULL 的记录，按时间排序逐条处理
fetchDetail(url) 获取完整 html（url 形如 https://huacheng.gz-cmc.com/pages/yyyy/MM/dd/{id}.html）
jsoup 清洗（严格按 spec）：
- 移除 meta、script 标签
- 移除 id="hidden-box" 元素
- div.container 的直接子 div 仅保留 .article-title、.not-exist-media-leader、.article-content，其余移除
- 清洗结果存入 content
从保留文本解析记者/编辑（见下）
更新 content/editor/各记者列/content_fetched_at
请求间 sleep（默认 300ms），失败重试 2 次

记者/编辑解析规则（DetailCleaner）

对清洗后 .article-content 纯文本按子句匹配，顺序：

文、图/…记者：X -> X 同时进文字记者和图片记者
文/…记者：X -> 文字记者
图/…记者：X -> 图片记者
通讯员：X -> 通讯员
新花城编辑：X / 编辑：X -> editor

要点：

记者、通讯员可能同一行：图/广州日报新花城记者：曾焕阳通讯员：潘永光、陈诺 -> 图片[曾焕阳]，通讯员[潘永光, 陈诺]
多人名以 、 / , / ， / 空格分隔
实习生 等非 spec 字段忽略
editor 单一字段：阶段一由列表接口 userName 填充，阶段二详情页解析到编辑时覆盖（已合并原 userName 列）

配置 `collection.properties`

db.url=jdbc:postgresql://localhost:5432/yangyi?currentSchema=new_collection
db.user=yangyi
db.password=MIMA2004
db.schema=new_collection
channel.ids=6d99c57fe7dd46aa8d6ecf697da08268
keywords=非遗
publish.start=2024-01-01 00:00:00
publish.end=2025-12-31 23:59:59
list.page.size=2000
detail.sleep.ms=300
client.timeout.ms=20000
referer=https://www.gz-cmc.com/

验证

mvn -q compile
mvn test -Dtest=ListCollectTest，psql 检查： PGPASSWORD=MIMA2004 psql -h 127.0.0.1 -U yangyi -d yangyi -c "select count(*), min(publish_time), max(publish_time) from new_collection.news"
mvn test -Dtest=DetailCollectTest，抽查 content 清洗结果、图文记者/通讯员/编辑字段
重跑验证幂等（不重复插入）

不在本次范围

PDF 导出（命名：发布时间-新闻标题-记者.pdf）
数据表格交付（标题/记者/发布时间/新闻地址）

todo.md 6.4 KB 文件历史 原始文件