scilit/backend
1
0
Fork 0
Code Issues Pull Requests Actions 1 Packages Projects Releases Wiki Activity

chore: batch commit remaining changes
CI / backend (push) Canceled after 0s
Details
CI / frontend (push) Canceled after 0s
Details

Browse Source 
Includes search engine improvements, Alembic migrations,
new services (pubmed_daily_update, query_expansion),
frontend updates, and documentation sync.
This commit is contained in:
34047007@qq.com
2026-07-27 08:35:12 +08:00
parent 35b0a5c565
commit 62ca8fa6b8
82 changed files with 314248 additions and 1519 deletions
Download Patch File Download Diff File Expand all files Collapse all files
docs/06-数据管道设计.md
+285 -85
View File
@@ -8,37 +8,110 @@
## 一、PubMed 数据获取
### 1.1 实际运行模式：API 优先
### 1.1 运行模式（决策：2026-07-25）
当前部署使用 **NCBI E-utilities API** 和 **Europe PMC API** 作为数据源（`app/services/pubmed_api.py`），而非 FTP baseline。
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 | 限速 | 用途 |
| 数据源 | 协议 | 内容 | 用途 |
|--------|------|------|------|
| NCBI E-utilities | REST XML | 3 req/s（免费）/ 10 req/s（有 API Key） | 每日精搜（MAJR） |
| Europe PMC | REST JSON | 无严格限速，支持游标分页 | MAJR 精搜 + 标题/摘要宽搜 |
| **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`） |
```
精搜（每日 03:07 UTC）：
ONCOLOGY_SEARCH_QUERIES × [MAJR] → NCBI esearch → efetch
→ 约 20 篇/query × 10 queries = 200 篇/天
宽搜（每周日 03:37 UTC）：
BROAD_ONCOLOGY_QUERIES × Title/Abstract → Europe PMC 游标分页
→ 覆盖 in-process + publisher 记录
→ 与精搜通过 seen_pmids 自动去重
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
```
### 1.2 暂未使用 FTP
### 放弃 E-utilities 搜索的原因
FTP baseline 导入（`scripts/pubmed_baseline.py`）已完成开发但尚未在生产中执行，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 |
| 维度 | API | FTP |
|------|-----|-----|
| 初始数据量 | ~200 篇/天自动积累 | 一次导入 ~30GB |
| 部署复杂度 | 零额外配置 | 需下载 1200+ 个 XML 文件 |
| 推荐时机 | 每日自动运行 | 仅在需要全量历史文献时手动触发 |
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。
### 1.3 配置文件驱动过滤
### 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
@@ -67,63 +140,61 @@ pubmed_filter:
## 二、Pipeline 完整流程
```
ARQ 定时任务 (每日精搜 03:07 UTC / 每周宽搜 周日 03:37 UTC)
ARQ 定时任务 (每日 FTP 更新 03:07 UTC)
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 1: API 搜索 │
│ NCBI E-utilities (esearch + efetch) — MAJR 精搜 │
│ Europe PMC REST API — 标题/摘要宽搜 │
│ 精搜 ~200 篇/天，宽搜 ~2000 篇/周日 │
│ 自动去重 (seen_pmids 集合) │
│ 预计耗时：1-2 分钟 │
│ 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/JSON 解析 │
│ Step 2: XML 解析 │
│ │
│ 对每条 PubMedArticle 提取： │
│ 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}] │ ← 增强字段
│ - GeneSymbolList [string] │ ← 增强字段
│ - NumberOfReferences (int) │ ← 增强字段
│ - PublicationStatus (epublish/ppublish/aheadofprint)│ ← 增强字段
│ - ArticleDate (电子出版日期, DateType="Electronic") │ ← 增强字段
│ - DataBankList [{name, accession_numbers[]}] │ ← 增强字段
│ - SupplMeshList [{ui, name, type}] │ ← 增强字段
│ - 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}] │
│ │
│ 增强字段覆盖率（实测 1369 篇）： │
│ publication_status ~100% article_date ~73% │
│ chemical_list ~37% num_refs ~91% │
│ gene_symbols ~10% databank_list ~25% │
│ suppl_mesh_list ~35% │
│ 对每条 <DeleteCitation>： │
│ 查本地 PMID → 标记 retracted=True + updated_at │
│ │
│ 特殊处理：DeleteCitation → 标记删除不处理 │
│ 预计耗时：1-2 分钟 (2000-4000条) │
│ 预计耗时：30-60 秒（单个文件 ~500-5000 条记录） │
│ │
│ 三处解析器（需保持同步）： │
│ - _parse_pubmed_xml() — NCBI E-utilities, ElementTree│
│ - _extract_article() — FTP baseline, lxml │
│ - _parse_europe_pmc_article() — Europe PMC, JSON │
│ 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 │
│ │
│ 两条入库路径（均需传递增强字段）： │
│ - _process_article() — 创建新 GlobalLiterature() │
│ - _update_lit_from_article() — 更新已有记录 │
│ 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（配置驱动） │
│ Step 3: 肿瘤科过滤（配置驱动，复用 _is_oncology()） │
│ │
│ 对每篇文章的 MeSH Headings[] 逐一检查： │
│ if 任一 heading.ui 在 mesh_include_categories 中 │
@@ -133,7 +204,7 @@ ARQ 定时任务 (每日精搜 03:07 UTC / 每周宽搜 周日 03:37 UTC)
│ else │
│ → 丢弃 │
│ │
│ 过滤结果：日均 3000 条 → 约 400-600 条肿瘤相关 │
│ 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 │
└───────────────────┬─────────────────────────────────────┘
│
@@ -163,7 +234,11 @@ ARQ 定时任务 (每日精搜 03:07 UTC / 每周宽搜 周日 03:37 UTC)
│ 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) │
│ 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） │
└───────────────────┬─────────────────────────────────────┘
@@ -220,6 +295,15 @@ ARQ 定时任务 (每日精搜 03:07 UTC / 每周宽搜 周日 03:37 UTC)
│ - 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
@@ -231,11 +315,12 @@ ARQ 定时任务 (每日精搜 03:07 UTC / 每周宽搜 周日 03:37 UTC)
| 环节 | 数据量 | 预计耗时 |
|------|--------|:---:|
| API 搜索 + 抓取 | 200-2000 篇/次 | 1-2 分钟 |
| XML/JSON 解析 | 2000-4000 篇/天 | 1-2 分钟 |
| 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 | 400-600 INSERT/UPDATE + elink | 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 |
@@ -253,10 +338,9 @@ from arq.connections import RedisSettings
class WorkerSettings:
functions = [
"app.tasks.pubmed_pipeline.daily_pubmed_pipeline",
"app.tasks.pubmed_pipeline.weekly_broad_pipeline",
"app.tasks.pubmed_pipeline.daily_citation_update",
"app.tasks.pubmed_pipeline.daily_digest_task",
"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",
]
@@ -266,10 +350,8 @@ class WorkerSettings:
password=settings.REDIS_PASSWORD,
)
cron_jobs = [
# 每日精搜（MAJR MeSH 高精度，20 篇/query）
cron(daily_pubmed_pipeline, minute=7, hour=3),
# 每周宽搜（Title/Abstract 覆盖 in-process + publisher）
cron(weekly_broad_pipeline, minute=37, hour=3, day_of_week=0),
# 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
@@ -282,17 +364,19 @@ class WorkerSettings:
# app/tasks/pubmed_pipeline.py
async def daily_pubmed_pipeline(ctx):
"""每日 PubMed 精搜"""
# 通过 pubmed_api.py _run_pipeline(use_majr=True, use_broad=False) 执行
# 约 10 queries × 20 篇 = 200 篇/天
...
async def daily_ftp_update(ctx):
"""每日 FTP 增量更新（取代旧 daily_pubmed_pipeline + weekly_broad_pipeline）
async def weekly_broad_pipeline(ctx):
"""每周宽搜"""
# 通过 pubmed_api.py _run_pipeline(use_majr=False, use_broad=True) 执行
# 覆盖 in-process + publisher 记录，自动 seen_pmids 去重
...
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"""
@@ -306,16 +390,70 @@ async def daily_citation_update(ctx):
| 场景 | 处理 |
|------|------|
| FTP 连接超时 | 重试 3 次，间隔 60s，仍失败则告警 |
| XML 解析错误 | 跳过单条，记录错误 PMID |
| 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 | 告警通知 → 次日重试前一天的数据 |
| 整管道失败 | `processed_date` 不更新 → 次日重跑同一天数据（幂等保证） |
---
## 六、数据质量监控
## 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）
@@ -335,13 +473,13 @@ AND created_at > now() - interval '7 days';
---
## 七、热搜缓存管道
## 八、热搜缓存管道
### 7.1 概述
### 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。
### 7.2 数据流
### 8.2 数据流
```
ARQ 定时任务（每 30 分钟）:
@@ -359,7 +497,7 @@ API 请求:
未命中 → 回退实时查询 DB → 写回缓存 → 返回
```
### 7.3 关键文件
### 8.3 关键文件
| 文件 | 说明 |
|------|------|
@@ -368,7 +506,7 @@ API 请求:
| `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 |
### 7.4 配置参数
### 8.4 配置参数
| 参数 | 值 | 说明 |
|------|-----|------|
@@ -377,8 +515,70 @@ API 请求:
| `page_size` | 5 | 每页展示数 |
| 最大页数 | 3（前端限制，后端支持更多） |
### 7.5 缓存失效说明
### 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 |