Mẫu Chương trình Cập nhật Tin tức

vnstock-news-crawler

News Monitor Report - 2026-04-15
==================================================

STATISTICS
--------------------------------------------------
Total articles collected: 580

TRENDING TOPICS
--------------------------------------------------
1. chứng khoán: 107 mentions
2. thị trường: 76 mentions
3. lãi suất: 45 mentions
...

import os
import time
import logging
from datetime import datetime
import pandas as pd
from vnstock_news import Crawler

# Cấu hình ghi log hệ thống
logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s [%(levelname)s] %(name)s - %(message)s",
    handlers=[
        logging.FileHandler("news_monitor.log", encoding="utf-8"),
        logging.StreamHandler()
    ]
)
logger = logging.getLogger("PeriodicNewsMonitor")

class PeriodicNewsMonitor:
    def __init__(self, target_sites: list, poll_interval_seconds: int = 900, output_dir: str = "./news_data"):
        self.target_sites = target_sites
        self.poll_interval = poll_interval_seconds
        self.output_dir = output_dir
        self.seen_urls = set()
        
        os.makedirs(self.output_dir, exist_ok=True)
        logger.info(f"Đã khởi tạo bộ theo dõi tin tức cho các nguồn: {self.target_sites}")

    def poll_once(self) -> int:
        """Thực hiện một lượt quét tin mới từ danh sách RSS feeds."""
        collected_articles = []
        
        for site in self.target_sites:
            try:
                logger.info(f"Đang kiểm tra RSS feed từ: {site}")
                client = Crawler(site_name=site)
                articles = client.get_articles_from_feed(limit_per_feed=15)
                
                new_in_site = 0
                for item in articles:
                    url = item.get("url")
                    if url and url not in self.seen_urls:
                        self.seen_urls.add(url)
                        collected_articles.append(item)
                        new_in_site += 1
                        
                logger.info(f"[{site}] Phát hiện {new_in_site} tin bài mới.")
            except Exception as e:
                logger.error(f"Lỗi khi truy xuất tin từ site '{site}': {e}", exc_info=True)
                
        # Lưu tin bài mới ra file CSV theo ngày nếu có dữ liệu mới
        if collected_articles:
            df = pd.DataFrame(collected_articles)
            today_str = datetime.now().strftime("%Y-%m-%d")
            filename = os.path.join(self.output_dir, f"daily_news_{today_str}.csv")
            
            # Ghi nối tiếp (append) vào file CSV nếu file đã tồn tại
            file_exists = os.path.exists(filename)
            df.to_csv(filename, mode="a", index=False, header=not file_exists, encoding="utf-8-sig")
            logger.info(f"Đã ghi nhận và lưu {len(collected_articles)} bài viết mới vào: {filename}")
            
        return len(collected_articles)

    def start_periodic_monitoring(self):
        """Khởi chạy vòng lặp cập nhật định kỳ."""
        logger.info(f"Khởi chạy vòng lặp cập nhật định kỳ (chu kỳ: {self.poll_interval}s)...")
        try:
            while True:
                total_new = self.poll_once()
                logger.info(f"Hoàn thành chu kỳ. Tổng tin bài mới truy xuất: {total_new}. Chờ chu kỳ tiếp theo sau {self.poll_interval}s...")
                time.sleep(self.poll_interval)
        except KeyboardInterrupt:
            logger.info("Đã nhận tín hiệu dừng từ người dùng (Ctrl+C). Dừng an toàn.")

if __name__ == "__main__":
    # Khởi tạo monitor cho các nguồn có RSS (VnExpress, Tuổi Trẻ, Thanh Niên)
    monitor = PeriodicNewsMonitor(
        target_sites=["vnexpress", "tuoitre", "thanhnien"],
        poll_interval_seconds=900,  # Kiểm tra định kỳ mỗi 15 phút, giữ tần suất hợp lý với website nguồn
        output_dir="./output_stream"
    )
    
    # Thực hiện 1 lượt kiểm tra ngay lập tức
    monitor.poll_once()

import asyncio
import logging
from vnstock_news import EnhancedNewsCrawler

# Cấu hình logging
logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s")
logger = logging.getLogger("BatchPipeline")

async def run_batch_extraction_pipeline():
    logger.info("Khởi động quy trình đọc danh mục bài viết từ sitemap...")
    
    # Khởi tạo EnhancedNewsCrawler với bộ nhớ đệm SQLite
    client = EnhancedNewsCrawler(
        cache_enabled=True,
        cache_type="sqlite",
        cache_ttl=86400,    # Đệm dữ liệu trong 24 giờ
        max_concurrency=3   # Tối đa 3 yêu cầu đồng thời; giữ mức thấp để tôn trọng máy chủ nguồn
    )
    
    # Danh sách sitemap mục tiêu từ các website tin tức tài chính
    sitemap_sources = [
        "https://cafef.vn/latest-news-sitemap.xml",
        "https://tuoitre.vn/news-sitemap.xml"
    ]
    
    logger.info("Bắt đầu truy xuất bất đồng bộ từ Sitemap sources...")
    df_corpus = await client.fetch_articles_async(
        sources=sitemap_sources,
        site_name="cafef",
        max_articles=50,
        clean_content=True  # Tự động loại bỏ HTML thừa, quảng cáo
    )
    
    if not df_corpus.empty:
        logger.info(f"Đã trích xuất và chuẩn hóa thành công {len(df_corpus)} bài viết.")
        
        # Xem thông tin dữ liệu
        print("\n--- THÔNG TIN BỘ DỮ LIỆU ---")
        print(df_corpus.info())
        print("\n--- MẪU 3 BÀI VIẾT ĐẦU TIÊN ---")
        print(df_corpus[["title", "author", "publish_time", "source"]].head(3))
        
        # Xuất dữ liệu ra file CSV
        output_file = "news_corpus_batch_export.csv"
        df_corpus.to_csv(output_file, index=False, encoding="utf-8-sig")
        logger.info(f"Dữ liệu đã được xuất ra file: {output_file}")
    else:
        logger.warning("Không truy xuất được dữ liệu bài viết nào từ nguồn sitemap đã cho.")

if __name__ == "__main__":
    asyncio.run(run_batch_extraction_pipeline())