加固sizeLimit 兜底

config/config.go

@@ -43,6 +43,7 @@ type CrawlerConfig struct {
 	MaxEpoch             int     `yaml:"max_epoch"`
 	ExpectedProsperRatio float64 `yaml:"expected_prosper_ratio"`
 	EntryURL             string  `yaml:"entry_url"`
+	MaxPageSize          int     `yaml:"max_page_size"` // 单个页面最大抓取字节数（0=不限，默认 5MB）
 }
 
 // SearchConfig 搜索结果排序权重配置
@@ -118,6 +119,7 @@ func GetDefaultConfig() Config {
 			MaxEpoch:             100,
 			ExpectedProsperRatio: 0.6,
 			EntryURL:             "https://zh.wikipedia.org/",
+			MaxPageSize:          5 * 1024 * 1024,
 		},
 		Search: SearchConfig{
 			UseOnlineSnippet:     true,
@@ -203,6 +205,9 @@ func ExpectedProsperRatio() float64 { return Global.Crawler.ExpectedProsperRatio
 // EntryURL 返回配置值
 func EntryURL() string { return Global.Crawler.EntryURL }
 
+// MaxPageSize 返回单个页面最大抓取字节数（0=不限）。
+func MaxPageSize() int { return Global.Crawler.MaxPageSize }
+
 // UseOnlineSnippet 返回配置值
 func UseOnlineSnippet() bool { return Global.Search.UseOnlineSnippet }
 

crawler/crawler.go

@@ -204,8 +204,8 @@ func (c *Crawler) visitURL(rawURL string) (hrefs []string) {
 	wg.Add(1)
 	go func() {
 		defer wg.Done()
-		// 礼貌模式抓取（遵守 robots.txt + 限流），不限制大小
-		res, fetchErr = c.fetcher.fetchWithHistory(rawURL, true, fetchTimeout, 0)
+		// 礼貌模式抓取（遵守 robots.txt + 限流），限制页面大小防止内存爆炸
+		res, fetchErr = c.fetcher.fetchWithHistory(rawURL, true, fetchTimeout, config.MaxPageSize())
 	}()
 	waitCh := make(chan struct{})
 	go func() {