基于Docker的热点新闻监控系统TrendRadar部署指南

1. 项目概述

TrendRadar是一个基于Docker部署的热点新闻监控与分析系统，能够自动抓取互联网热点新闻，并通过飞书、钉钉、企业微信等主流办公平台进行实时推送。系统还集成了AI智能分析功能，可以对新闻内容进行深度挖掘和趋势预测。

这个项目特别适合需要实时掌握行业动态的团队使用，比如市场分析、公关监测、投资研究等场景。我自己在部署使用过程中发现，它能够显著提升信息获取效率，避免错过重要行业动态。

2. Windows环境下的Docker部署

2.1 基础环境准备

在开始部署前，请确保你的Windows系统满足以下条件：

• Windows 10 版本 2004 或更高版本（建议使用专业版或企业版）
• 已安装WSL 2（Windows Subsystem for Linux 2）
• 已安装Docker Desktop for Windows

提示：如果你使用的是Windows家庭版，需要先升级到专业版才能完整支持Docker功能。可以通过"winver"命令查看当前系统版本。

2.2 项目克隆与初始化

首先我们需要获取项目源代码：

bash复制# 克隆项目到本地
git clone https://github.com/sansan0/TrendRadar.git
cd TrendRadar
cd docker

这里有几个注意事项：

1. 建议在非系统盘（如D盘）创建项目目录，避免权限问题
2. 如果网络环境不佳，可以添加Git代理参数：

   bash复制git config --global http.proxy http://127.0.0.1:1080
   

3. 国内用户如果遇到克隆缓慢问题，可以考虑使用镜像源

2.3 Docker服务启动

项目提供了三种启动模式，根据你的需求选择：

2.3.1 完整模式（推送+AI分析）

bash复制# 拉取最新镜像
docker compose pull

# 启动所有服务（trendradar + trendradar-mcp）
docker compose up -d

2.3.2 仅新闻推送模式

bash复制# 只启动 trendradar（定时抓取和推送）
docker compose pull trendradar
docker compose up -d trendradar

2.3.3 仅AI分析模式

bash复制# 只启动 trendradar-mcp（提供 AI 分析接口）
docker compose pull trendradar-mcp
docker compose up -d trendradar-mcp

在实际使用中，我发现仅启动新闻推送服务已经能满足大部分需求，AI分析服务会占用较多系统资源。如果你的机器配置较低（内存<8GB），建议先只启动推送服务。

3. 消息推送配置详解

3.1 飞书机器人配置

3.1.1 创建飞书应用

1. 访问飞书机器人助手
2. 点击"新建应用"，填写应用名称和描述
3. 创建完成后，进入应用详情页

3.1.2 配置Webhook触发器

1. 点击"创建流程"，选择"Webhook触发器"
2. 在请求体示例中粘贴以下JSON结构：

json复制{
  "content": {
    "text": "总新闻数： 40\n时间： 2026-01-12 16:38:33\n类型： 实时当前榜单\n\n---\n\n📊 热点词汇统计..."
  },
  "msg_type": "text"
}

3. 复制生成的Webhook地址

3.1.3 集成到TrendRadar

1. 打开TrendRadar目录下的config.ini文件
2. 找到[feishu]部分，将Webhook地址粘贴到webhook_url参数中
3. 保存文件并重启Docker容器

经验分享：飞书的消息格式支持Markdown，可以在配置中添加"msg_type": "markdown"来获得更好的排版效果。但需要注意消息内容中的特殊字符需要转义。

3.2 钉钉机器人配置

3.2.1 创建钉钉机器人

1. 打开钉钉群聊，进入"群设置"->"智能群助手"
2. 选择"添加机器人"->"自定义机器人"
3. 设置机器人名称和安全设置（建议使用"自定义关键词"，设置为"新闻"）

3.2.2 获取Webhook地址

创建完成后，复制生成的Webhook地址，它通常格式为：

code复制https://oapi.dingtalk.com/robot/send?access_token=xxxx

3.2.3 集成到TrendRadar

1. 编辑config.ini文件
2. 找到[dingtalk]部分，填入Webhook地址
3. 设置secret参数（如果有配置加签安全设置）
4. 保存并重启服务

避坑指南：钉钉机器人有消息频率限制（默认20条/分钟），如果新闻量较大，建议在配置中调整interval参数控制推送频率。

3.3 企业微信机器人配置

3.3.1 创建企业微信机器人

1. 在企业微信群聊中，点击右上角"..."->"群机器人"
2. 选择"添加"->"自定义机器人"
3. 设置机器人名称和简介

3.3.2 获取Webhook地址

创建完成后，复制形如以下的Webhook地址：

code复制https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=xxxx

3.3.3 集成到TrendRadar

1. 在config.ini中找到[wecom]部分
2. 填入Webhook地址
3. 保存并重启服务

实用技巧：企业微信支持发送图文消息，可以在配置中设置msg_type: news来发送包含标题和摘要的新闻卡片，提升可读性。

4. AI智能分析功能配置

4.1 MCP服务基础配置

1. 确保已启动trendradar-mcp服务
2. 编辑config.ini中的[mcp]部分
3. 关键配置参数说明：
   • enabled: 是否启用AI分析（true/false）
   • api_key: AI服务API密钥
   • model: 使用的AI模型（默认gpt-3.5-turbo）
   • temperature: 生成结果的随机性（0-1）

4.2 分析功能使用技巧

1. 趋势分析：系统会自动识别新闻中的热点词汇和趋势变化
2. 情感分析：对新闻内容进行情感倾向判断（正面/负面/中性）
3. 摘要生成：自动生成新闻内容的简明摘要

性能建议：AI分析会显著增加系统资源消耗，建议在配置中设置analysis_interval参数控制分析频率，一般设置为30-60分钟一次即可。

5. 常见问题排查

5.1 消息推送失败

症状：Docker日志显示推送成功，但收不到消息

排查步骤：

1. 检查Webhook地址是否正确（特别是钉钉和企业微信的token/key）
2. 验证网络连接是否正常（尝试curl测试Webhook地址）
3. 检查安全设置（如钉钉的自定义关键词是否匹配）

5.2 Docker容器启动失败

症状：docker compose up命令报错

解决方案：

1. 检查端口冲突（默认使用8000和8001端口）
2. 确保Docker已分配足够内存（建议至少4GB）
3. 尝试先执行docker compose build重新构建镜像

5.3 新闻抓取不全

症状：推送的新闻数量明显少于预期

解决方法：

1. 检查config.ini中的sources配置是否完整
2. 调整refresh_interval参数（默认30分钟）
3. 查看日志确认是否有抓取错误（docker logs trendradar）

6. 高级配置与优化

6.1 自定义新闻源

编辑config.ini中的[sources]部分，可以添加或修改新闻源：

ini复制[sources]
rss_feeds = https://example.com/feed1,https://example.com/feed2
keywords = 科技,金融,人工智能

6.2 推送内容定制

通过修改message_template参数，可以自定义消息格式：

ini复制[message]
template = {time} 最新热点：\n{summary}\n详情：{url}

6.3 性能优化建议

1. 对于低配置机器，可以：
   • 减少同时监控的新闻源数量
   • 增加抓取间隔时间
   • 禁用不需要的AI分析功能
2. 设置日志轮转，避免日志文件过大：

   ini复制[log]
   max_size = 10MB
   backup_count = 3
   

7. 实际使用体验分享

经过一段时间的实际使用，我发现这个系统在以下几个方面特别有价值：

1. 信息及时性：相比人工浏览新闻网站，系统能在第一时间推送重要动态，特别是在突发事件上优势明显。

2. 多平台支持：可以同时在飞书、钉钉和企业微信接收消息，适合不同企业环境。

3. 可定制性：通过修改配置可以灵活调整监控的关键词和新闻源，满足不同行业需求。

几个提升使用体验的小技巧：

• 在飞书中可以设置消息提醒规则，确保重要新闻不被错过
• 钉钉机器人可以@特定人员，实现重点新闻定向提醒
• 企业微信支持创建多个机器人，可以按新闻类别分流推送

对于AI分析功能，建议先从小范围测试开始，找到最适合自己业务的分析维度和频率，避免资源浪费。