22557e7132
- 7-8월 초기 구축 문서 12개를 _archive/troubleshooting/2025_07-08_initial_setup/로 이동 - book/300_architecture/390_human_in_the_loop_intent_learning.md를 journey/research/intent_classification/로 이동 (개발 여정 문서) - 빈 폴더 제거 (journey/assets/*)
3.4 KiB
3.4 KiB
Company-X 뉴스 데이터 통합 문제 해결
배경
- 날짜: 2025-09-08
- 문제: skill-news가 Company-X 뉴스를 수집하지만 본문과 요약이 없어 skill-publish가 홈페이지에 게시할 수 없음
- 원인: companyx_news_collector.py가 제목/URL만 저장하고 스크래핑/요약 결과를 버림
문제 상황
1. 초기 증상
- rb8001이 skill-news에서 Company-X 뉴스 15개 찾았지만 0개 전달받음
- skill-publish가 받은 데이터에 summary, content, thumbnail_url 없음
- Squarespace 홈페이지 게시 불가
2. 근본 원인
# 기존 companyx_history.json 구조 (문제)
{
"articles": [
{
"url": "https://...",
"title": "제목",
"timestamp": "2025-09-07T15:38:56"
}
]
}
- 단순 중복 체크용으로만 사용
- 스크래핑/요약 데이터 저장 안 함
- 매번 동일 기사 재처리
3. company-x_hompage와의 차이
- company-x_hompage: 3단계 JSON 파일로 전체 데이터 저장
- skill-news: URL/제목만 저장하고 나머지 버림
해결 과정
1. 시간 파싱 기능 추가
def _parse_time_text(self, time_text: str) -> str:
"""Google News 시간 텍스트를 날짜 문자열로 변환 (YYYY-MM-DD)"""
# "3일 전", "5시간 전" → "2025-09-05" 형식으로 변환
2. NewsArticle 모델 확장
time_text: Optional[str] = Field(None, description="원본 시간 텍스트")
found_at: Optional[datetime] = Field(None, description="실제 수집 시각")
3. companyx_news_posting.json으로 통합
# 새로운 구조 (company-x_hompage 형식)
{
"keyword": "컴퍼니엑스",
"last_updated": "2025-09-08T...",
"total_count": 5,
"articles": {
"article_id": {
"id": "article_id",
"title": "제목",
"publisher": "언론사",
"parsed_date": "2025-09-05",
"time_text": "3일 전",
"found_at": "2025-09-08T...",
"url": "https://...",
"content": "본문 전체",
"actual_url": "리다이렉트 후 URL",
"thumbnail_url": "썸네일 URL",
"scraped_at": "2025-09-08T...",
"summary": "280-320자 요약",
"summary_length": 285,
"company_name": "COMPANY X",
"summarized_at": "2025-09-08T...",
"status": "summarized",
"published_at": null,
"published_by": null,
"skipped_at": null,
"skipped_by": null
}
}
}
4. 업데이트 메서드 구현
update_scraped_data(): 스크래핑 후 데이터 업데이트update_summarized_data(): 요약 후 데이터 업데이트- 각 단계별로 기존 데이터에 추가 정보 누적
최종 결과
- 하나의
companyx_news_posting.json파일에 모든 데이터 통합 - 수집 → 스크래핑 → 요약 → published/skipped 상태 관리
- GET /api/news/google/companyx/{article_id} - rb8001이 필요시 조회
- PATCH /api/news/google/companyx/{article_id} - status 업데이트
교훈
- 데이터 손실 방지: 비싼 연산(스크래핑/AI 요약) 결과는 반드시 저장
- 참조 구현 확인: company-x_hompage 같은 검증된 구현 참고
- 통합 테스트: rb8001 → skill-news → skill-publish 전체 파이프라인 테스트
- 환경변수 활용: 하드코딩 대신 환경변수로 설정 관리
- 단계별 상태 추적: collected → scraped → summarized 상태 관리