backend/docs/06-数据管道设计.md

# 数据管道设计

## 概述

从 PubMed FTP 每日增量拉取文献 → 按肿瘤科 MeSH 过滤 → MeSH 映射标签引擎打标 → 入库 → 用户匹配 → 推送 Feed。全过程自动化，每天凌晨执行。

---

## 一、PubMed 数据获取

### 1.1 运行模式（决策：2026-07-25）

数据源统一为 **FTP 每日更新文件**（`ftp://ftp.ncbi.nlm.nih.gov/pubmed/updatefiles/pubmed25updateNNN.xml.gz`），取代原有的 E-utilities API 多路搜索策略。

| 数据源 | 协议 | 内容 | 用途 |
|--------|------|------|------|
| **FTP 每日更新文件** | FTP (gzip XML) | `<PubmedArticle>`（新增+修改）+ `<DeleteCitation>`（删除） | **唯一每日数据源** |
| NCBI E-utilities | REST XML | 搜索 + 抓取 | **仅降级后备**（FTP 不可用时） |
| Europe PMC | REST JSON | 搜索 + 抓取 | 仅基线导入后一次性回填（`rebuild_from_baseline.py`） |

```
每日更新（03:07 UTC）：
  FTP 下载 pubmed25updateNNN.xml.gz → lxml 解析
  → _extract_article() 提取字段（复用 baseline 解析器）
  → _is_oncology() 肿瘤科过滤（复用 baseline 过滤逻辑）
  → _update_lit_from_article() upsert（幂等，同 PMID 覆盖）
  → <DeleteCitation> → 标记 retracted=True
```

### 放弃 E-utilities 搜索的原因

| 维度 | 旧: E-utilities API 多路搜索 | 新: FTP 每日更新文件 |
|------|------------------------------|---------------------|
| 完整性 | 仅返回匹配搜索词的结果。宽搜词覆盖不到的文章→**永恒漏掉** | **100%** — 当天所有增/改/删的记录都在一个文件里 |
| 删除检测 | 搜不到已删的记录 → 无法标记删除 | `<DeleteCitation>` 明确列出被删 PMID |
| MeSH 过渡 | 需 retagger 回查 in-process→medline 变化 | 更新文件直接包含 MeSH 状态变化后的完整记录 |
| 限速 | 3 req/s（免费） → 大结果集分页慢 | 单文件下载，无 API 限速 |
| 代码复杂度 | 2 套搜索（MAJR + 宽搜）+ 3 条解析路径 + retagger | 1 套下载 + 1 套解析（复用 baseline） |
| 定时任务 | 精搜 + 宽搜 + retagger = 3 个 cron | 1 个 cron |

FTP baseline 导入（`scripts/pubmed_baseline.py`）用于**首次全量数据**，完成后每日增量数据完全由 FTP update files 接管。

### 1.2 FTP 每日更新文件结构

文件名格式：`pubmed25updateNNNN.xml.gz`（NNNN 为 4 位顺序号，每年重置）

文件包含三种顶层元素：
- `<PubmedArticle>` — **新增**或**已修改**的文献记录
- `<PubmedBookArticle>` — 图书章节（跳过，非期刊文献）
- `<DeleteCitation>` — 被删除的 PMID（含 PubMed/PMC 两种来源）

NLM 每天发布一个新文件（约 5-20MB 压缩后），全年约 365 个文件。

### 1.3 基线过渡（Baseline → FTP 衔接）

基线导入和 FTP 每日更新之间存在**年份衔接问题**：

| 问题 | 说明 | 处理方式 |
|------|------|---------|
| 基线年份 | 基线文件 `pubmed26n*.xml.gz` 中的 "26" 表示 2026 年 | **自动检测**：`rebuild_from_baseline.py` 导入完成后自动记录 `pipeline_runs(run_type='baseline_import', run_metadata={'year': 2026})` |
| FTP 文件前缀 | 2026 年的增量文件为 `pubmed26updateNNNN.xml.gz` | 从基线记录读取年份，构造前缀 `pubmed{year}update` |
| 首次运行 | 基线刚导入完，FTP 文件可能从年初就开始有了 | 按 `sequence > 0` 拉取所有文件（与基线无交叠问题） |
| 跨年份过渡 | 12 月→1 月，文件前缀从 `pubmed25update` → `pubmed26update` | 前一年没文件时自动尝试上年；从 `pipeline_runs` 的 `run_metadata.last_sequence` 判断跨年 |

具体流程：
```
首次运行（无 checkpoint）：
  1. pipeline_runs 查 baseline_import 记录 → year=2026
  2. 构造前缀 pubmed26update → 列出 FTP 文件
  3. 全部下载处理（sequence 从 0001 开始）
  4. 记录 run_metadata = {ftp_year: 2026, last_sequence: 最大序号}

后续运行（有 checkpoint）：
  1. 读上次 run_metadata → ftp_year=2026, last_sequence=1234
  2. 列出 pubmed26update*，筛选 sequence > 1234
  3. 处理 → 更新 run_metadata.last_sequence
```

### 1.4 检查点（Checkpoint）机制

使用 `pipeline_runs` 表的多字段组合追踪已处理状态：

| 字段 | 用途 |
|------|------|
| `run_type` = `"daily_ftp_update"` | 标记 FTP 更新运行 |
| `processed_date` (DATE) | 最后一个已处理的 EDAT 日期 |
| `run_metadata.ftp_year` (JSON) | FTP 文件年份（决定文件前缀） |
| `run_metadata.last_sequence` (JSON) | 最后一个已处理的文件序号 |
| `articles_new` | 新增文献数 |
| `articles_updated` | 更新文献数 |
| `articles_deleted` | DeleteCitation 处理数 |

**检查点行为：**
- 每天运行时，读 `pipeline_runs WHERE run_type='daily_ftp_update' ORDER BY created_at DESC LIMIT 1`
- 从上次 `last_sequence` 的序号+1开始拉取
- 如果当天无新 update 文件发布，跳过（非错误）
- 运行失败 → 不写 PipelineRun → 下次重跑同序列号（幂等）
- FTP 文件含多天的累积更新 → 按 `_update_lit_from_article()` 覆盖不会重复

### 1.5 EDAT 作为判断依据

EDAT（Entrez Date）是 PubMed 记录首次进入 Entrez 系统的日期，是判断"新记录"的最可靠依据：

| 特性 | EDAT |
|------|------|
| 是否可变 | **不可变** — 记录一旦入库，EDAT 终生不变 |
| 精度 | 精确到日（Y/M/D），无时间分量 → DATE 类型完全匹配 |
| 唯一性 | 同一天两条记录可能有不同 EDAT？不可能 — 所有新记录取当天日期 |
| 删除检测 | 不依赖 EDAT — `<DeleteCitation>` 独立处理 |
| 是否适用于 FTP | ✅ FTP 文件中可提取每条记录的 History/PubMedPubDate[@PubStatus="entrez"] |

EDAT 对应字段：`GlobalLiterature.entrez_date`（DATE，新增字段，迁移：`1421ea169bb6`）。

### 1.5 配置文件驱动过滤

```yaml
# config/specialties/oncology.yaml
pubmed_filter:
  mesh_include_categories: ["C04"]
  mesh_include_subcategories: ["C04.557", "C04.588", "C04.697"]
  mesh_cross_include: ["E02.319", "E02.815", "D27.505.954.248"]
  pub_type_prefer:
    - "Guideline"
    - "Randomized Controlled Trial"
    - "Meta-Analysis"
    - "Systematic Review"
    - "Clinical Trial, Phase III"
    - "Clinical Trial, Phase II"
    - "Review"
    - "Case Reports"
  pub_type_exclude:
    - "Editorial"
    - "Letter"
    - "News"
    - "Comment"
```

**三层过滤逻辑**（`_is_oncology()` 实现）：

| 层级 | 条件 | 动作 |
|------|------|------|
| **Step 0** `pub_type_exclude` | PublicationType ∈ {Editorial, Letter, News, Comment} | ❌ 直接丢弃 |
| **Step 1** MeSH 树号匹配 | MeSH heading 在 C04（Neoplasms）或 cross-include 树号（E02.319 抗癌药、E02.815 放疗、D27.505.954.248 抗肿瘤药）下 | ✅ 收录 |
| **Step 2** 文本评分兜底 | 无 MeSH 标引的文献：标题含关键词 → 收录；摘要含 ≥2 个关键词 → 收录；摘要单关键词 → 放过 | ✅/❌ 按评分 |

三层按顺序执行：Step 0 最先（直接排除），Step 1 中间（MeSH 精确匹配），Step 2 最后（无 MeSH 时的文本兜底）。

---

## 二、Pipeline 完整流程

```
ARQ 定时任务 (每日 FTP 更新 03:07 UTC)
  │
  ▼
┌─────────────────────────────────────────────────────────┐
│ Step 1: FTP 文件下载 + 检查点检测                         │
│   从 pipeline_runs 读上次处理的 processed_date            │
│   下载 pubmed25updateNNNN.xml.gz（序号 > 上次处理的）     │
│   失败 → 降级到 E-utilities reldate=1&datetype=edat 后备 │
│   预计耗时：10-30 秒（gzip ~10MB 解压后 ~200MB）          │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 2: XML 解析                                         │
│                                                          │
│   对每条 <PubmedArticle> 提取（复用 _extract_article()）： │
│     - PMID (PubMed ID)                                   │
│     - Title, Abstract                                   │
│     - Authors [{given, family, affiliation}]            │
│     - DOI, Journal (name, ISSN, ISOAbbreviation,        │
│       volume, issue, pages)                             │
│     - PublicationDate (year, month, day)                │
│     - History (entrez_date, create_date, pubmed_revised,│
│       date_completed)                                   │
│     - PublicationType (期刊文章/综述/RCT/指南...)        │
│     - MeSH Headings [{descriptor, ui, major}]           │
│     - Language                                          │
│     - ChemicalList [{registry_number, ui, name}]        │
│     - GeneSymbolList [string]                           │
│     - NumberOfReferences (int)                          │
│     - PublicationStatus (epublish/ppublish/aheadofprint)│
│     - ArticleDate (电子出版日期, DateType="Electronic")  │
│     - DataBankList [{name, accession_numbers[]}]        │
│     - SupplMeshList [{ui, name, type}]                  │
│                                                          │
│   对每条 <DeleteCitation>：                               │
│     查本地 PMID → 标记 retracted=True + updated_at      │
│                                                          │
│   预计耗时：30-60 秒（单个文件 ~500-5000 条记录）         │
│                                                          │
│   单一解析器（统一维护）：                                 │
│     - _extract_article()  — FTP, lxml (pubmed_baseline.py)│
│     - 注：pubmed_api.py 中的_parse_pubmed_xml()          │
│       是 E-utilities 降级路径，需与 _extract_article()   │
│       保持同步                                           │
│                                                          │
│   入库路径（已存在）：                                     │
│     - _update_lit_from_article() — upsert 更新已有记录   │
│     - 新 PMID 通过 GlobalLiterature() 构造函数创建       │
│                                                          │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 3: 肿瘤科过滤（三层，配置驱动，复用 _is_oncology()）   │
│                                                          │
│   对每篇文章按三层逐一判断：                                │
│                                                          │
│   Step 0 — 排除类型检查：                                  │
│     if publication_type ∈ {Editorial, Letter, News,     │
│                             Comment}                     │
│        → ❌ 丢弃（无需往下判断）                           │
│                                                          │
│   Step 1 — MeSH 树号匹配：                                │
│     elif 任一 heading 在 C04（Neoplasms）下 → ✅ 收录     │
│     elif 任一 heading 在 cross-include 树号下            │
│           (E02.319 抗癌药 / E02.815 放疗 /│
│            D27.505.954.248 抗肿瘤药) → ✅ 收录                    │
│                                                          │
│   Step 2 — 文本评分兜底（无 MeSH 标引时）：                │
│     elif 标题含关键词 → ✅ 收录                           │
│     elif 摘要含 ≥2 个关键词 → ✅ 收录                     │
│     else → ❌ 丢弃                                        │
│                                                          │
│   过滤结果：日均 ~5000 条总记录 → 约 400-800 条肿瘤相关    │
│   预计耗时：1-2 分钟                                     │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 4: MeSH → Tag 映射 + 自动打标                        │
│                                                          │
│   对保留的每篇文章：                                       │
│     对每个 MeSH heading:                                 │
│       a. 查 global_tags WHERE mesh_ui = heading.ui       │
│       b. 如果匹配 → 生成 (tag_id, is_major)              │
│       c. 同时提取 tag_category 用于后续分组              │
│                                                          │
│   额外补充标签（Phase 2+）：                              │
│     - 从 PubType 映射研究类型标签                         │
│     - 从 journal.issn 映射期刊等级标签                   │
│     - Phase 3: LLM 辅助判断癌种亚型/靶点                  │
│                                                          │
│   预计耗时：1-2 分钟（每篇 5-15 个 MeSH）                 │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 5: 入库 PostgreSQL                                  │
│                                                          │
│   对每条过滤后的文章：                                     │
│     INSERT INTO global_literature ... ON CONFLICT (pmid) │
│       DO UPDATE (如果已存在则更新)                        │
│     INSERT INTO global_literature_tags (literature_id,  │
│       tag_id, is_major) ON CONFLICT DO UPDATE           │
│                                                          │
│   DeleteCitation 处理：                                   │
│     UPDATE global_literature SET retracted=TRUE,        │
│       updated_at=NOW() WHERE pmid IN (...)               │
│                                                          │
│   预计耗时：< 1 分钟（批量 INSERT）                        │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 5b: PMC OA 全文抓取（可选）                          │
│                                                          │
│   对新入库且有 PMC ID 的文献，自动抓取 OA 全文：            │
│     elink 查 PMID → PMCID 映射                            │
│     efetch 获取 JATS XML                                  │
│     jats_parser 解析 → sections / tables / refs / chems  │
│     存入 full_text_sections (JSON) + license_info        │
│     同时预抽取基线特征表 (Table 1 → pre_extracted_data)  │
│                                                          │
│   覆盖：~15% 的 PubMed 文献有 PMC 全文                     │
│   限速：同 NCBI E-utilities 池 (3/10 req/s)              │
│   预计耗时：每篇 1-3 秒                                    │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 5c: 期刊去重同步（_ensure_journal）                   │
│                                                          │
│   对每条入库的文献，自动确保 global_journals 中有对应记录： │
│     1. 按 journal_issn 精确匹配 → 命中则跳过               │
│     2. 未命中 → 写新行，ON CONFLICT (issn) DO NOTHING     │
│     3. 无 ISSN 的 → name 精确匹配 + pg_trgm 模糊兜底      │
│                                                          │
│   ISOAbbreviation (journal_iso) 同步写入 global_literature│
│   预计耗时：< 1 秒（批量 upsert）                          │
└───────────────────┬─────────────────────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────────────────────┐
│ Step 6: 用户匹配引擎                                      │
│                                                          │
│   获取所有活跃用户 → 查 user_subscriptions                │
│   对每条新文献：                                          │
│     article_tags = 文献已打的标签集合                     │
│     user_tags = 用户关注的标签集合                        │
│                                                          │
│     匹配策略：                                            │
│       loose:   article_tags ∩ user_tags ≠ ∅              │
│       standard: article_major_tags ∩ user_tags ≠ ∅       │
│       strict:  user_tags ⊆ article_tags                  │
│                                                          │
│     命中 → INSERT user_feed (user_id, literature_id,     │
│              matched_tags, priority)                     │
│                                                          │
│     priority 计算：                                      │
│       - 全命中+顶刊 → must_read                          │
│       - 部分命中 → recommended                           │
│       - 领域匹配 → related                               │
│                                                          │
│   预计耗时：< 1 分钟（千级用户，百级文献/用户）            │
└───────────────────────┬─────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────────────────────────────┐
│ Step 7: 更新检查点                                       │
│   INSERT INTO pipeline_runs (run_type='daily_ftp_update',│
│     processed_date=今天, status='success',               │
│     articles_new=..., articles_updated=...,              │
│     articles_deleted=...)                                │
└─────────────────────────────────────────────────────────┘

总计耗时：每日常规 5-10 分钟
```

---

## 三、性能估算

| 环节 | 数据量 | 预计耗时 |
|------|--------|:---:|
| FTP 文件下载 + 解压 | 1 个文件，~10MB gzip | 10-30 秒 |
| XML 解析（含 DeleteCitation） | 单文件 ~500-5000 条 | 30-60 秒 |
| MeSH 过滤 | — | 1-2 分钟 |
| 打标 | 每篇 5-15 个 MeSH | 1-2 分钟 |
| 入库 + 引用查询 | 400-800 ON CONFLICT + elink | 1-2 分钟 |
| DeleteCitation 更新 | 通常 < 10 条/天 | < 1 秒 |
| OA 全文抓取 | ~15% 有 PMC | 每篇 1-3 秒 |
| 期刊去重同步 | 每篇 | < 1 秒 |
| 用户匹配 | 千级用户 | < 1 分钟 |
| **总计** | | **5-10 分钟** |

---

## 四、ARQ 任务实现

```python
# app/tasks/worker.py
from arq import cron
from arq.connections import RedisSettings


class WorkerSettings:
    functions = [
        "app.tasks.pubmed_pipeline.daily_ftp_update",      # FTP 每日增量（取代精搜+宽搜+retagger）
        "app.tasks.pubmed_pipeline.daily_citation_update",  # 每日引用刷新
        "app.tasks.pubmed_pipeline.daily_digest_task",      # 每日摘要邮件推送
        "app.tasks.pubmed_pipeline.refresh_hot_articles_cache",
        "app.tasks.pubmed_pipeline.refresh_homepage_feed",
    ]
    redis_settings = RedisSettings(
        host=settings.REDIS_HOST,
        port=settings.REDIS_PORT,
        password=settings.REDIS_PASSWORD,
    )
    cron_jobs = [
        # 每日 FTP 增量更新（取代 daily_pubmed_pipeline + weekly_broad_pipeline）
        cron(daily_ftp_update, minute=7, hour=3),
        # 每日引用刷新
        cron(daily_citation_update, minute=13, hour=5),
        # 每日摘要邮件推送
        cron(daily_digest_task, minute=30, hour=22),
        # 热搜缓存刷新（每 30 分钟）
        cron(refresh_hot_articles_cache, minute="*/30"),
        # 首页 Feed 缓存刷新（每 30 分钟）
        cron(refresh_homepage_feed, minute="*/30"),
    ]


# app/tasks/pubmed_pipeline.py
async def daily_ftp_update(ctx):
    """每日 FTP 增量更新（取代旧 daily_pubmed_pipeline + weekly_broad_pipeline）

    流程：
    1. 查 pipeline_runs 获取上次处理的 EDAT 检查点
    2. 下载 FTP pubmed25update* 文件（序号 > 上次处理的值）
    3. 解析 <PubmedArticle> → _extract_article() → _is_oncology() 过滤
    4. 解析 <DeleteCitation> → 标记 retracted=True
    5. upsert → _update_lit_from_article() 或 GlobalLiterature() 新建
    6. MeSH 映射 → tag_article() 打标
    7. 生成 Feed → generate_feeds_for_literature()
    8. 更新检查点 → INSERT pipeline_runs
    """

async def daily_citation_update(ctx):
    """刷新最近文献被引次数"""
    # NCBI elink 接口，200 篇/req，3 req/s
    ...
```

---

## 五、错误处理与恢复

| 场景 | 处理 |
|------|------|
| FTP 连接超时 | 重试 3 次，间隔 60s，仍失败则降级到 E-utilities reldate |
| FTP 文件破损（gzip 校验失败） | 跳过该文件，记录日志，下次重试 |
| XML 解析错误 | 跳过单条 record，记录错误 PMID |
| 入库冲突 | `ON CONFLICT (pmid) DO UPDATE`，幂等 |
| MeSH 映射找不到 | 记录 `unmapped_mesh_terms` 日志，定期人工审查 |
| 用户匹配超时 | 分批处理，每批 500 用户 |
| 整管道失败 | `processed_date` 不更新 → 次日重跑同一天数据（幂等保证） |

---

## 六、代码实现

### 6.1 文件清单

| 文件 | 状态 | 说明 |
|------|------|------|
| `app/services/pubmed_daily_update.py` | ✅ **新增** | 核心服务：FTP 下载、解析、过滤、upsert、删除标记、检查点 |
| `app/tasks/worker.py` | ✅ **已改** | cron 替换：`daily_ftp_update` 取代 `daily_pubmed_pipeline` + `weekly_broad_pipeline` + `daily_mesh_retagger` |
| `app/api/v1/admin.py` | ✅ **已改** | `POST /pipeline/run` 默认 mode 改为 `ftp` |
| `app/models/operations.py` | ✅ **已改** | `PipelineRun.processed_date` DATE + `run_metadata` JSON（检查点） |
| `alembic/versions/f3b135d62407_...` | ✅ **已迁移** | 新增 `pipeline_runs.processed_date` 列 |
| `alembic/versions/0ee585329fc6_...` | ✅ **已迁移** | 新增 `pipeline_runs.metadata` JSON 列 |

### 6.2 核心流程

```
run_daily_ftp_update()
  │
  ├─ 1. get_last_checkpoint()
  │     SELECT run_metadata FROM pipeline_runs
  │     WHERE run_type='daily_ftp_update' AND status='success'
  │     ORDER BY created_at DESC LIMIT 1
  │     → {ftp_year, last_sequence} 或 None（首次运行）
  │
  ├─ 2. 确定文件年份：checkpoint.ftp_year ?? baseline_year ?? 当前年
  │
  ├─ 3. list_update_files(year, after_sequence)
  │     FTP NLST → pubmed{year}updateNNNN.xml.gz 列表
  │     筛选 sequence > last_sequence
  │
  ├─ 4. 逐个 download_file() + gzip.decompress()
  │
  ├─ 5. process_update_file()
  │     ├─ DeleteCitation PMIDs → UPDATE retracted=TRUE
  │     ├─ _extract_article() 解析（复用 pubmed_baseline.py）
  │     ├─ _is_oncology() 过滤（复用 pubmed_baseline.py）
  │     ├─ upsert: 已存在 → _update_lit_from_article() + tag_article()
  │     └─ 新建 → GlobalLiterature() + tag_article() + generate_feeds()
  │
  └─ 6. PipelineRun(processed_date=当天, run_metadata={ftp_year, last_sequence})
```

### 6.3 降级策略

FTP 不可用时（网络故障、NLM FTP 宕机），回退到 E-utilities `run_eutils_fallback()`：
```python
async def run_eutils_fallback(last_checkpoint):
    # 使用 reldate=1&datetype=edat 查询最近 1 天新增
    # 调用 _run_pipeline(use_majr=True, use_broad=True)
```

---

## 七、数据质量监控

```sql
-- 查看每天的采集量（异常检测）
SELECT 
    date(created_at) as day,
    count(*) as articles,
    count(DISTINCT journal) as journals
FROM global_literature
WHERE created_at > now() - interval '30 days'
GROUP BY day ORDER BY day DESC;

-- 检查未匹配 MeSH 的文献
SELECT pmid, title FROM global_literature
WHERE mesh_headings = '[]' OR mesh_headings IS NULL
AND created_at > now() - interval '7 days';
```

---

## 八、热搜缓存管道

### 8.1 概述

首页侧栏"热搜"展示近期高被引文献（支持分页 + "换一批"）。首页文献列表也使用预缓存策略。两者都避免每次请求走全套查询。

### 8.2 数据流

```
ARQ 定时任务（每 30 分钟）:
  ┌─ refresh_hot_articles_cache()
  │   查 DB（近 1 年有被引的文献，按 cited_by_count DESC 取前 30 条）
  │   写入 Redis (key: "hot_articles", TTL: 1800s)
  │
  └─ refresh_homepage_feed()
      查 DB（最新 50 条，不取 JSON 大字段，仅 ~10KB/条）
      写入 Redis (key: "homepage:feed", TTL: 1800s)

API 请求:
  GET /public/hot-articles?page=1&page_size=5 → 优先读 Redis
  GET /public/feed?page=1 → 优先读 Redis
  未命中 → 回退实时查询 DB → 写回缓存 → 返回
```

### 8.3 关键文件

| 文件 | 说明 |
|------|------|
| `app/services/hot_articles_cache.py` | `precompute_hot_articles()` — 预计算写入缓存；`_build_cards()` — 数据格式转换 |
| `app/api/v1/public.py` | `GET /hot-articles` — 先读缓存，未命中回退实时查询 |
| `app/tasks/worker.py` | `refresh_hot_articles_cache` — 定时任务（`*/30` 分钟 UTC） |
| `app/core/cache.py` | `CacheService` — Redis 优先，不可用时降级为内存缓存 |

### 8.4 配置参数

| 参数 | 值 | 说明 |
|------|-----|------|
| `HOT_LIMIT` | 30 | 缓存保留的文献总数（最多 30 条） |
| `CACHE_TTL` | 1800s (30min) | 缓存有效期 |
| `page_size` | 5 | 每页展示数 |
| 最大页数 | 3（前端限制，后端支持更多） |

### 8.5 缓存失效说明

- 定时任务每 30 分钟覆盖写入，完全刷新缓存
- 缓存通过 `CACHE_TTL` 自动过期，Redis 重启后首次请求回退实时查询
- 实时查询回退时仅第 1 页写入缓存，避免分页碎片

---

## 九、MeSH 年更维护

### 9.1 背景

NLM 每年 11 月中–12 月中进行 MeSH 词汇年更（新词加入、旧词合并、树号变更）。期间 indexed 记录暂停灌入，只发 in-process/publisher 记录。年更过后，大量已有记录的 MeSH 标引会被刷新。

### 9.2 刷新判断

`meshed_date` 字段记录 **MeSH 数据的版本时间**（NLM 实际完成 MeSH 标引的时间），不是我们的刷新操作时间：

| 状态 | meshed_date | 含义 |
|------|-------------|------|
| 已标引 | = date_completed | 当前 MeSH 是最新的 |
| 年更后已刷 | = 新的 date_completed | 已通过年更刷新 |
| 待刷新 | < 年更新阈值 | MeSH 可能已过时 |
| 无 MeSH | NULL | in-process/publisher，无标引 |

> ⚠️ `meshed_date` 始终使用 NLM 端的时间戳（`date_completed`），不写 `datetime.now()`。仅在 NLM 未返回 `date_completed` 的极少数情况下降级使用当前时间。

### 9.3 年更期间的应对

FTP 每日更新文件在年更期间的行为：
- Indexed 记录**暂停**出现在更新文件中（NLM 暂停新标引）
- In-process 和 publisher 记录**照常**出现在更新文件中
- 年更结束后，重标引的记录**一次性在更新文件中出现**（当天的 update 文件会异常大）

这意味着 **FTP 方案天然适配年更** — 不需要特殊的管道逻辑，更新文件里有什么就处理什么。

### 9.4 刷新操作（手工执行）

> **⚠️ 此操作为手工任务**。不要自动执行。需先观察 PubMed 状态判断年更是否完成。

判断时机：
1. 观察 NLM 公告（https://www.nlm.nih.gov/pubs/techbull/）
2. 检查 pipeline 日志：indexed 记录是否恢复灌入
3. 确认年更窗口结束（通常 12 月中）

执行命令（admin token 需要有 `platform_operator` 角色）：

```bash
# 查询待刷新文献数
psql -U scilit_dev -d scilit_dev -c "
SELECT count(*) FROM global_literature
WHERE meshed_date IS NOT NULL
AND meshed_date < '2025-11-01';        # 去年年更前

# 全量刷新 MeSH（按 PMID 批次 re-fetch）
curl -X POST localhost:8000/api/v1/admin/pipeline/run \
  -H "Authorization: Bearer $(admin_token)"
```

> Pipeline 正常运行时 `_update_lit_from_article()` 会自动覆盖 `meshed_date = date_completed`。但对于年更场景，重抓后 MeSH 已变，NLM 返回的 date_completed 仍是原值，所以 pipeline 更新不会正确标记。正确的年更刷新机制为一个独立脚本（待实现）：按 `meshed_date < 年更新阈值` + `mesh_headings IS NOT NULL` 条件批量 efetch → 对比 MeSH 是否有变 → 有变则更新并用 `now()` 覆盖 `meshed_date`。

### 9.5 待实现脚本（低优先级）

| 任务 | 文件 | 优先级 | 说明 |
|------|------|--------|------|
| MeSH 年更批量刷新脚本 | `scripts/refresh_mesh_annual.py` | P2 | 按 meshed_date 阈值批量 efetch，检测 MeSH 变化，更新 meshed_date=now() |
| — | `app/services/mesh_retagger.py` | ❌ **已废弃** | FTP 每日更新文件直接包含 in-process→medline 过渡的完整记录，retagger 不再需要 |