优雅退出

crawler/crawler.go

@@ -87,6 +87,11 @@ type Crawler struct {
 	// ---- 爬取状态暴露（供前端监控） ----
 	crawlStatusMu   sync.RWMutex
 	crawlStatus     CrawlStatus // 当前轮次状态
+
+	// ---- 优雅关闭 ----
+	stopCh       chan struct{} // 关闭时表示收到停止信号
+	stopOnce     sync.Once     // 确保只关闭一次
+	priorityDone chan struct{} // priority worker 已完全停止
 }
 
 // CrawlStatus 暴露给前端监控的爬取状态
@@ -170,6 +175,8 @@ func New(db *storage.DB, a *analyzer.Analyzer, prosperMap map[string]float64) *C
 		priorityChildCh: make(chan string, priorityQueueSize),
 		prioritySem:    make(chan struct{}, priorityMaxWorkers),
 		normalChildCh:  make(chan URLWeight, 50000), // 孙链接 channel，大 buffer 避免丢
+		stopCh:         make(chan struct{}),
+		priorityDone:   make(chan struct{}),
 	}
 	// 启动 Priority Worker（独立 goroutine，不受主 workers 限制）
 	go c.runPriorityWorker()
@@ -246,18 +253,42 @@ func (c *Crawler) markVisited(url string) {
 // 两级队列共享同一线程池：一级队列（手动 URL）优先处理完，再处理二级队列（子 URL）。
 //   - 一级队列：visitURLUnlimited，无限爬子链接，子链接进入二级队列
 //   - 二级队列：visitURL，有限爬子链接，子链接进入普通 BFS
+// 收到 stopCh 关闭信号后，等待当前批次完成然后退出。
 func (c *Crawler) runPriorityWorker() {
+	defer close(c.priorityDone) // 通知 WaitUntilStopped
+
 	for {
+		// 检查停止信号
+		select {
+		case <-c.stopCh:
+			log.Println("[priority] stop signal received, waiting for pending work...")
+			// 不直接退出，等待当前正在运行的 goroutine 完成
+			// 但不再接受新任务，关闭 channel 防止新任务入队
+			close(c.priorityCh)
+			c.priorityWg.Wait()
+			log.Println("[priority] all pending work done, exiting")
+			return
+		default:
+		}
+
 		// ---- 第一阶段：drain 一级队列全部取出 ----
 		level1Batch := []string{}
-		// 先阻塞等第一个一级 URL
-		url := <-c.priorityCh
-		level1Batch = append(level1Batch, url)
+		var item string
+		// 先阻塞等第一个一级 URL（可被 stopCh 中断）
+		select {
+		case item = <-c.priorityCh:
+			level1Batch = append(level1Batch, item)
+		case <-c.stopCh:
+			// stopCh 刚关闭，从头重走退出流程
+			close(c.priorityCh)
+			c.priorityWg.Wait()
+			return
+		}
 		// drain 剩余一级 URL（非阻塞）
 		for {
 			select {
-			case url = <-c.priorityCh:
-				level1Batch = append(level1Batch, url)
+			case item = <-c.priorityCh:
+				level1Batch = append(level1Batch, item)
 			default:
 				goto processLevel1
 			}
@@ -458,6 +489,17 @@ func (c *Crawler) Run(entryURL string, maxEpoch int) {
 	c.startRecrawlTicker()
 
 	for ep := 0; ep < maxEpoch; ep++ {
+		// 检查停止信号
+		select {
+		case <-c.stopCh:
+			log.Println("[crawler] stop signal received, exiting run loop")
+			c.updateCrawlStatus(func(cs *CrawlStatus) {
+				cs.IsRunning = false
+			})
+			return
+		default:
+		}
+
 		// 每轮 epoch 从 config 读取最新 workers 值，支持运行时动态调整
 		workers := config.CrawlerWorkers()
 
@@ -583,8 +625,10 @@ func (c *Crawler) Run(entryURL string, maxEpoch int) {
 			})
 			// 空循环等 normalChildCh，新数据到达后立即从 epoch 0 重新开始
 			for {
-				gc, ok := <-c.normalChildCh
+				select {
+				case gc, ok := <-c.normalChildCh:
 					if !ok {
+						// channel 已关闭（正常情况或 stop 时关闭）
 						return
 					}
 					newLinks = append(newLinks, gc)
@@ -593,9 +637,14 @@ func (c *Crawler) Run(entryURL string, maxEpoch int) {
 						cs.IsRunning = true
 					})
 					ep = -1 // continue 后 ep++ 变成 0
-				break // 退出空循环，进入正常队列处理
+					goto restartEpochLoop // 退出空循环，进入正常队列处理
+				case <-c.stopCh:
+					// 收到停止信号
+					return
 				}
 			}
+		restartEpochLoop:
+		}
 
 		// 调度算法：从候选 URL 中选出下一轮要抓取的队列
 		nextPoolSize := len(newLinks)
@@ -625,6 +674,8 @@ func (c *Crawler) visitURLRaw(rawURL string, forceIndex bool) (title, desc, text
 
 	// 使用 sync.WaitGroup + select 实现硬超时包装器，
 	// 确保即使 http.Client.Timout 被某些底层操作忽略，goroutine 也不会永久阻塞。
+	// 注意：优雅关闭时，如果恰好在抓取过程中收到停止信号，
+	// goroutine 会等待最多 35s（fetchTimeout + 5s）后强制退出。
 	fetchTimeout := 30 * time.Second
 	var res *FetchResult
 	var fetchErr error
@@ -1273,6 +1324,20 @@ func (c *Crawler) GetCrawlStatus() CrawlStatus {
 	return c.crawlStatus
 }
 
+// Stop 触发优雅关闭：通知所有 goroutine 停止。
+// 已运行的任务会等待完成后再退出。
+func (c *Crawler) Stop() {
+	c.stopOnce.Do(func() {
+		log.Println("[crawler] stop signal received, initiating graceful shutdown...")
+		close(c.stopCh) // 关闭通知
+	})
+}
+
+// WaitUntilStopped 等待爬虫完全停止（Run 和 priority worker 都退出）。
+func (c *Crawler) WaitUntilStopped() {
+	<-c.priorityDone
+}
+
 // updateCrawlStatus 更新爬取状态（内部使用）。
 func (c *Crawler) updateCrawlStatus(fn func(*CrawlStatus)) {
 	c.crawlStatusMu.Lock()

main.go

@@ -185,6 +185,17 @@ func main() {
 	quit := make(chan os.Signal, 1)
 	signal.Notify(quit, os.Interrupt, syscall.SIGTERM)
 	<-quit
-	log.Println("shutdown signal received, flushing index...")
-	searchSrv.Flush() // 退出前刷盘，不丢数据
+	log.Println("shutdown signal received, initiating graceful shutdown...")
+
+	// 通知爬虫停止（不阻塞，等待爬虫内部协调）
+	crawl.Stop()
+
+	// 等待爬虫完全停止（包括 priority worker）
+	crawl.WaitUntilStopped()
+	log.Println("crawler stopped")
+
+	// 最后刷盘，确保数据不丢失
+	log.Println("flushing index...")
+	searchSrv.Flush()
+	log.Println("shutdown complete")
 }