super/crawler-plugin
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
541 Commits 1 Branch 0 Tags
173287e3d60abfa22bc117e05e53284ef3033fa4
Commit Graph

168 Commits

Author SHA1 Message Date
huangzd1997 173287e3d6 task-43: 采集源文件查找改为确定路径/索引查询 
LocalFileStorageService 新增 fileKey→文件名 有界索引（LinkedHashMap LRU，
上限 1024 淘汰最旧）：saveTempFile 登记，findLocalSourceFile 优先按索引
直接构造确定路径，索引过期/进程重启时兜底枚举根层目录，结果与索引一致；
key 与索引名均校验单段字符集，防止路径穿越与索引污染。8 个用例覆盖
正常/批量/幂等/空/单元素/索引容量超限/非法输入/清理与重启降级，
mvn 全量测试通过。
 2026-08-30 13:08:13 +08:00
huangzd1997 fec89b6b7b task-42: 限制采集解析的文件大小、最大行数和单 chunk 行数 
新增 CollectDataParseLimits 组件并在 CollectDataService 解析/回传路径
接入：源文件大小（默认 50MB）、累计解析行数（默认 50000）、单 chunk
回传行数（默认 5000）超限即拒绝，配置经 aiimage.collect-data.* 环境变量
可调、0/负值回退默认。8 个用例覆盖正常/批量/幂等/空/单元素/边界超限/
非法配置/失败后可恢复路径，mvn 全量测试通过。
 2026-08-30 13:04:02 +08:00
huangzd1997 33d0f02c55 task-41: 建立 Collect Data 性能基线夹具（1k/10k 行、多 chunk、品牌检测） 
新增 CollectDataPerfFixture：确定性生成 1k/10k 行、多关键词多 chunk 与
品牌检测场景（成功/失败/查询失败/空 ASIN）行集合并采样 payload 字节与
chunk 划分；同一输入重复生成结果一致（幂等），行数/计数/关键词均有上限
校验。8 个用例覆盖正常/批量/幂等/空/单元素/超限/非法输入/序列化失败
降级路径，mvn 全量 681 测试通过。
 2026-08-30 12:58:26 +08:00
huangzd1997 7f44ca6383 task-40: 完成店铺抓取压测探针与资源比较 
新增 ShopDataCrawlLoadTestProbe：并发多轮执行"生成-采样-回传-上传-锁"
流水线，产出内存峰值、耗时、DB QPS、对象存储流量与锁等待五类可比较
指标；行数/线程/轮数均有上限，注入 OSS 上传与锁获取失败验证依赖降级
可恢复且计数不残留。8 个用例覆盖正常/批量/幂等/空/单元素/超限/非法
输入/依赖失败路径，mvn 全量 672 测试通过。
 2026-08-30 12:53:36 +08:00
huangzd1997 b806ab9384 task-39: 补充删除/超时/重复回传/累计文件失败的资源清理测试 
新增 ShopDataCrawlCleanupTest 11 个用例覆盖：单条/批量/空输入删除路径的
临时文件与累计对象回收、陈旧 RUNNING 任务超时终态化、分片重复回传的
payload 释放与终态拒绝、累计文件 CAS 冲突重试时上传对象回滚。

同时撤销上一提交误引入的按国家覆盖语义：rowsByCountry 恢复同国累积
（addAll），移除与之矛盾的 writeWorkbookLatestMemberWinsPerCountryOthersPreserved
测试，修复 task-22~26 批量合并回归（行数被覆盖削减）。
 2026-08-30 12:16:39 +08:00
huangzd1997 6b76333159 task-39: 店铺 Excel 按国家增量更新，未提交国家保留旧数据
Build Backend JAR / build (push) Has been cancelled
Details 
rowsByCountry 由同国行累加改为覆盖语义：按成员顺序累积，
后面的结果覆盖前面同名国家的行（最新任务胜出），本次未提交的
国家从旧累计对象/成员累积中保留，不再被清空。

新增回归测试：两个成员快照（英德法 + 仅德国新行）写入 workbook 后，
英国/法国保留旧行、德国被新任务覆盖、未提交国家保持空表。
 2026-08-29 23:46:22 +08:00
huangzd1997 36bed2bdc6 task-38 2026-08-29 23:11:59 +08:00
huangzd1997 95e314cef4 task-37 2026-08-29 22:36:11 +08:00
huangzd1997 93ccb27b40 task-36 2026-08-29 22:05:30 +08:00
huangzd1997 2f89f795f6 task-35 2026-08-29 21:28:28 +08:00
huangzd1997 11e19ef4f1 task-34: 将 ownerInstanceId 从 JSON 查询迁移到显式列并补充索引 2026-08-29 20:44:21 +08:00
huangzd1997 0e4a1c1c35 task-33: 将店铺源文件 key 映射改为确定路径，取消临时目录递归扫描 2026-08-29 20:18:57 +08:00
huangzd1997 2cd5e07248 task-32: 将 task entity 本地缓存替换为有容量和过期回收的实现 2026-08-29 20:11:16 +08:00
huangzd1997 cb4e10c87f task-31: 将任务快照改为轻量进度字段，避免每次写入完整结果 JSON 2026-08-29 20:04:22 +08:00
huangzd1997 199345fd11 task-30: 为国家结果行建立稳定去重键，替换线性重复扫描 2026-08-29 19:52:08 +08:00
huangzd1997 ec28216984 task-29: 合并 scope 状态查询与更新，减少单 chunk 数据库往返 
persistResultScope 复用接收前已加载的 scope，不再重复 selectOne ——
每个分片接收的 scope 查询从 2 次降为 1 次；空分片校验前移至任何
scope 查询之前，非法分片零数据库往返。任务级分布式锁保证预读 scope
在锁内不过期。
 2026-08-29 19:36:30 +08:00
huangzd1997 f1db31f813 task-28: 以 scope 计数器替代每个 chunk 的 COUNT(*) 完整统计 
分片接收不再对 chunk 表执行 selectCount 全量统计：新插入分片按 scope 计数器 +1
并钳制到 chunk_total，重复提交（唯一键冲突）保持不变；分片行与 scope 计数器
作为一致性单元，状态写入失败时回滚本次插入的分片行与 payload，重试走全新插入，
避免计数器重复计数或永久欠计。任务级分布式锁串行化同一任务的接收，读改写在锁内完成。
 2026-08-29 19:25:59 +08:00
huangzd1997 23eddde770 task-27: chunk 接收改为原子插入/幂等 upsert，去掉先查后插 
persistResultChunk 去除提交前的 findResultChunk 预查，直接 store payload + insert，
唯一索引 uk_task_scope_chunk 兜底幂等：重复提交命中 DuplicateKeyException 后
重查 winner 校验并清理本次重存 payload；空分片（无可处理数据）在落库前拒绝，
不创建 RustFS payload 与分片行。
 2026-08-29 19:11:10 +08:00
huangzd1997 8ea4d2f502 task-26: 模板 workbook 大行数下的样式、图片和工作表兼容测试 
writeWorkbook（模板路径）改为返回实际写入行数，与 streaming 路径一致；
新增 1000/5000 行规模兼容测试：模板表头样式保留、同 URL 图片按 pictureIndex 去重复用、
5 工作表顺序名称保持模板语义、失败行兜底 URL 文本不中断整表。
全量测试 556 通过。
 2026-08-29 18:55:01 +08:00
huangzd1997 4e4af7911a task-25: 店铺结果 workbook 的 SXSSF 流式写入路径 
评估结论：SXSSF 无法访问/删除模板行，与现有模板重写流程不兼容，
故模板路径保留 XSSFWorkbook，另提供 writeWorkbookStreaming —— 空构造
SXSSFWorkbook + 自建 5 国工作表与表头，行数据按 rowAccessWindow spill 到磁盘，
写入后 dispose() 释放 spill 文件；图片嵌入复用现有链路，失败行兜底 URL 文本。
全量测试 548 通过。
 2026-08-29 18:46:40 +08:00
huangzd1997 7eccbc016a task-24: 店铺图片预取增加任务级数量、字节和超时上限 
ShopDataCrawlPrefetchBudget 对预取 URL 施加三重预算：数量截断（去重后按序取前 N）、
字节估算门（urlCount×avgBytes 超预算拒绝）、超时钳制（200ms/URL 估算钳到任务上限）；
Excel 组装在 prefetch 前应用预算，未预取 URL 由 embed 兜底直接下载。
全量测试 540 通过。
 2026-08-29 18:38:37 +08:00
huangzd1997 70d724382d task-23: 图片嵌入成功后立即释放外部缩略图字节副本 
BoundedImageCache.release(url) 移除条目并扣减字节计数，byte[] 可被 GC 回收；
embedImage 在 addPicture 成功后立即释放，同一 URL 后续行复用 pictureIndex 不重复嵌入。
全量测试 532 通过。
 2026-08-29 18:34:02 +08:00
huangzd1997 6d488515ca task-22: 店铺 Excel 图片缓存替换为有界字节缓存 
BoundedImageCache（字节预算+条目上限，FIFO 淘汰，超预算单图拒绝）替换
ShopDataCrawlExcelAssemblyService 中的无界 ConcurrentHashMap；单图超预算时
embed 走原有直接下载兜底。全量测试 524 通过。
 2026-08-29 18:29:25 +08:00
huangzd1997 81da7a182e task-21: 建立店铺抓取性能基线夹具（1k/5k 行、多国家、图片成功/失败） 
ShopDataCrawlPerfFixture 提供单店铺多国家抓取结果的确定性生成器：
- generateItems：1k/5k 行、1-5 国家、图片成功/失败（前 N 行无缩略图）场景；
- samplePayload：行数/chunk 数/payload 字节/图片成功与失败行数采样。
全量测试 516 通过。
 2026-08-29 18:24:10 +08:00
huangzd1997 29b6353d7e task-20: Similar ASIN 端到端压测、GC 分析与结果文件兼容回归 
SimilarAsinPerfFixture 新增三个功能点：
- endToEndBenchmark：生成→分 chunk→序列化，记录行数/chunk 数/payload 字节/耗时/吞吐/峰值堆；
- gcStressAnalysis：多轮生成/序列化/释放循环，采样 GC 计数差与堆峰值；
- compatRoundTrip：payload 序列化往返恢复全量行并校验字段稳定（结果文件兼容回归）。
全量测试 508 通过。
 2026-08-29 18:18:24 +08:00
huangzd1997 77ae8b2823 task-19: Coze 请求/响应与 Python 回传日志改采样、截断、DEBUG 
- 新增 SimilarAsinLogSupport 纯函数：truncate（2000 前缀+长度后缀，代理对安全）
  与 shouldLog（每 N 次采样，计数 0 恒采样）
- Coze 请求 body 与 submit 响应正文日志降 DEBUG + 截断；
  history 轮询响应降 DEBUG + 每 20 次记一次完整正文，其余只记状态
- Python 回传逐行日志降 DEBUG + 每 20 行采样一行，大任务日志量降到 5%
 2026-08-29 18:11:24 +08:00
huangzd1997 92858acb4d task-18: 统一图片 spool 生命周期，超时/取消/异常路径删除临时文件 
- ImageSpool 增加 closed 状态：close 幂等、close 后 put 拒绝且消息可识别，
  杜绝关闭后再写入导致目录删除失败
- 长预算 prefetchToDisk 任务体补 put 前中断检查：deadline/中断取消后不再
  产生新临时文件，close 可完整删除目录（与 best-effort 路径对齐）
- 长预算路径并入测试 hook 探测，与短预算路径行为一致，生命周期可测
 2026-08-29 18:02:50 +08:00
huangzd1997 795dd1084c task-17: 解码采样推广全格式、子采样后像素上限、JPEG 质量估算搜索 
- sourceSubsampling 通用化：PNG 等非 JPEG 格式也按源长边取 2 的幂子采样，
  reader 忽略采样参数时记录日志并按全量解码像素校验
- 新增 MAX_DECODED_PIXELS(2400^2) 子采样后解码像素上限，源像素超限先拒绝，
  子采样仍超限再升采样因子，解码像素始终受控，36MP 源不再全量解码
- 质量搜索由固定阶梯 {0.75,0.65,0.55} 改为估算（字节比例钳制 [0.45,0.75]），
  最坏编码 9 次降到 6 次，典型 1-2 次即命中，降低 CPU 峰值
 2026-08-29 17:55:00 +08:00
huangzd1997 0e3dbe450f task-16: 图片预取改短预算 best-effort，超时取消在途并回退 URL 
prefetchToDiskBestEffort 在 budgetSeconds 内尽力预取，预算耗尽即取消
在途任务并返回未预取数量；缺图单元格由既有 fallback 直接写 URL。
put 前检查中断标志，避免取消后写盘与 spool close 竞态产生残留文件。
预算通过 aiimage.similar-asin.image-prefetch-budget-seconds 配置（默认 60s），
长预算后台预热路径 prefetchToDisk 行为不变。
 2026-08-29 17:37:11 +08:00
huangzd1997 dc69b002db task-15: async batched last_used_at touch refresh 2026-08-29 17:24:25 +08:00
huangzd1997 d1ea8feb6f task-14: batch read image db cache and touch only actual hits 2026-08-29 17:16:40 +08:00
huangzd1997 e201b13301 task-13: cap chunk merge row count and payload bytes with orphan fallback 2026-08-29 17:05:49 +08:00
huangzd1997 4d91146256 task-12: extend coze result buffering beyond poll path 
- bufferCozeRowsOrMerge: unified DONE result persist entry point; buffers to
  transient storage when toggle on, falls back to immediate chunk merge on
  failure (result never lost), no-op on empty input
- submit/retry synchronous immediate DONE results now buffer too (previously
  always merged immediately); submit path persists a DONE scope state row to
  carry the buffer pointer (persistImmediateCozeDoneState)
- poll path drops the batchTotal>1 gate: single-batch tasks also buffer
- CozeCandidate/CozeBatchContext records package-private for test access
 2026-08-29 16:46:29 +08:00
huangzd1997 3d085c1605 task-11: Coze 结果合并前按稳定 rowKey HashSet 去重，消除 O(n²) 重复处理 2026-08-29 16:17:12 +08:00
huangzd1997 1ccf4f74ef task-10: chunk 结果建立 rowKey 批量索引，消除跨 chunk 线性扫描 
mergeCozeRowsIntoChunk 先 indexRowsByChunkKey 建立 rowKey→chunkKey
索引，assignCozeRowsToChunks 按 O(1) 查找分配行归属，保留原有
命中/fallback/orphan 语义与顺序稳定性，每 chunk 只读一次 payload。
 2026-08-29 16:07:45 +08:00
huangzd1997 99c0b7dd75 task-9: chunk 查询改为批量 keyset 分页，保持低内存读取 
loadChunksKeyset 按 id 递增分批拉取（每批 pageSize），最后按
chunkIndex 升序合并，避免超大任务一次 selectList 全量载入 chunk
元数据。surefire fork 堆显式限制 1536m 防止与主 JVM 叠加挤爆内存。
 2026-08-29 15:52:46 +08:00
huangzd1997 3b051bbafe task-8: WorkbookFactory 输入解析改为受控读取，验证超大 Excel 失败提示 
解析前用 ZipFile 中央目录探测 xlsx(zip) 条目数与解压总字节（不读压缩
内容），超过 maxWorkbookZipEntries(20000)/maxWorkbookUncompressedBytes
(512MB) 立即拒绝并给出可识别提示；非 zip/损坏文件跳过探测交给
WorkbookFactory 兜底转业务异常。0/负值配置回退默认。新增 8 个测试覆盖
正常路径、多文件、幂等、空输入、单行、解压超限、条目超限、损坏文件、
依赖失败恢复。
 2026-08-29 15:11:53 +08:00
huangzd1997 68b7d9a4a4 task-7: 限制单文件大小、最大行数和最大字段长度，防止解析任务无界增长 
新增 maxSourceFileBytes(50MB)/maxParseRows(50000)/maxFieldLength(2000)
三个配置项：文件超限在解析入口拒绝（异常消息可识别）、行数超限拒绝、
超长单元格字段截断。0/负值配置回退默认。新增 8 个测试覆盖正常路径、
多文件、幂等、空文件、单行、边界（恰好=上限通过、超限拒绝）、
非法输入（文件超限/字段截断）、依赖失败恢复。
 2026-08-29 15:08:14 +08:00
huangzd1997 db6e8f0ce8 task-6: 分组数据改为索引/范围引用，避免 groups 嵌套复制完整行对象 
buildParsedGroups 只写 [startIndex, endIndex) 半开区间引用（同 baseId 行在
items 中天然连续），行对象仅存在于 items 一次；resolveAllRows 优先按引用
展开并安全跳过越界/非法区间；响应组仍内嵌预览行兼容前端。旧 payload 内嵌
items 格式继续可读。新增 8 个测试覆盖引用写入、批量、幂等、空输入、单组、
越界 clamp、非法区间、依赖失败恢复。
 2026-08-29 15:02:15 +08:00
huangzd1997 16bec1c0fa task-5: 预览行数量改为配置驱动并做边界校验 
解析响应预览上限从硬编码常量改为 SimilarAsinProperties.parseResponsePreviewLimit，
0/负值回退默认 100，超过 1000 clamp 到 1000 防止误配导致响应体无界膨胀。
新增 8 个测试覆盖默认路径、自定义值、幂等、空文件、单行、超限 clamp、非法配置回退、依赖失败恢复。
 2026-08-29 14:48:01 +08:00
huangzd1997 026aa4e0c3 task-4: 解析接口只返回固定数量预览行，完整行仅保存在后端任务载荷 
parseAndCreateTask 响应 items/groups 改为 buildResponsePreviewRows/Groups 裁剪
到 PARSE_RESPONSE_PREVIEW_LIMIT(100) 行：大文件(5000行)响应体不再携带全量行，
前端/队列只依赖统计字段与 taskId，Python 通过 parsed-payload 接口拉全量。
groups 预览副本保留 itemCount 与行级字段，字段完整且顺序稳定。
8 个测试覆盖 150/5000/1/100/101 行、空文件、非法输入、存储失败恢复与临时文件清理。
 2026-08-29 14:43:08 +08:00
huangzd1997 9f8bdecc9e task-3: 统一解析载荷全量行恢复逻辑，新旧结构均可恢复 
新增 SimilarAsinTaskService.resolveAllRows(payload)：优先 items（新规范结构）、
其次 allItems（旧结构）、最后 groups 展开（最旧结构），并收敛 rowCount/
loadAllRowsByBaseId/hydrateParsedPayloadRows/两条 assemble 路径的重复 fallback 链。
旧 payload（含 allItems 或仅 groups）仍可恢复全量行，行数、顺序不丢失。
9 个测试覆盖默认/批量/幂等/空/单行/超限/新旧 JSON 反序列化/组展开顺序。
 2026-08-29 14:36:15 +08:00
huangzd1997 8c84ff3394 task-2: 解析载荷改为单一规范行集合，消除 allItems 重复序列化 
SimilarAsinParsedPayloadDto.allItems 标记 @JsonInclude(NON_EMPTY) 并仅作反序列化
兼容字段（新写入不再输出）；buildParsedPayloadJson 只写 items 一份全量行，
消除每任务双倍行序列化的内存与 payload 体积。读取侧 getAllItems() 消费点保留
以兼容旧载荷（task-3 再统一收敛）。9 个测试覆盖默认/批量/幂等/空/单行/超限/
旧格式吸收/依赖失败恢复。
 2026-08-29 14:32:11 +08:00
huangzd1997 2039acdfe6 task-1: 建立 Similar ASIN 性能基线夹具 (1000/5000行、图片开关、chunk与payload采样) 
新增 SimilarAsinPerfFixture 确定性夹具：按 sourceFileKey+rowIndex 派生字段，
支持 0/1/1000/5000 行、图片开关两种模式、chunk 划分与 payload 字节采样；
空输入返回空、超限(>5000行/非法chunk/空key)抛 IllegalArgumentException。
含 10 个测试覆盖默认路径/批量/幂等/边界/非法输入/依赖失败恢复。
 2026-08-29 14:22:07 +08:00
huangzd1997 322905607a 修复店铺任务数据覆盖bug
Build Backend JAR / build (push) Has been cancelled
Details
2026-08-29 00:16:47 +08:00
huangzd1997 75f23d4568 统一结果文件下载 URL 生成：历史记录/上传回包等漏网点改用 generateFreshDownloadUrl，result/ 前缀对象走 download 域名
Build Backend JAR / build (push) Has been cancelled
Details
2026-08-26 03:58:29 -04:00
huangzd1997 18db20099a OSS 结果文件下载分流：新增 aiimage.oss.download-endpoint 配置，result/ 前缀对象生成独立下载域名直链（默认未配置时回退原行为）
Build Backend JAR / build (push) Has been cancelled
Details
2026-08-26 13:37:11 +08:00
huangzd1997 7b238522ed 去重导出列固定顺序为 id/ASIN/国家/价格/品牌；QueryAsin 按店铺加载数据并修正前端回退逻辑
Build Backend JAR / build (push) Has been cancelled
Details
2026-08-25 22:38:38 +08:00
huangzd1997 427a8cb79f 修复：JWT 密钥未配置时使用内置默认密钥，与桌面客户端保持一致 2026-08-25 22:00:30 +08:00
huangzd1997 5f519f9cd5 性能优化：N+1查询改批量、串行远程调用并发化、紫鸟索引巡检批量回写
Build Backend JAR / build (push) Has been cancelled
Details
2026-08-25 19:42:43 +08:00