# 数据请求策略优化总结

## 📋 问题发现

### 原始问题
根据最初的规划，为了减少数据量：
1. **时间轴**: 只显示每天 **00:00:00** 的位置数据
2. **首页**: 只显示用户打开时**当前小时**的位置数据

但实际实现中存在以下问题：
- ❌ 时间轴请求了**范围数据**（从 day_start 到 day_end），导致返回多个时间点
- ❌ 首页请求了**最近 24 小时**的所有数据，而不是单个时间点
- ❌ positions 表中存储了大量冗余数据（每天多个时间点）

---

## ✅ 解决方案

### 核心策略
**所有请求都改为单个时间点查询**：`start_time = end_time`

这样 NASA Horizons API 只返回单个时间点的数据，而不是时间范围内的多个点。

---

## 🔧 具体修改

### 1. 前端修改

#### 1.1 首页数据请求 (`frontend/src/hooks/useSpaceData.ts`)

**修改前**:
```tsx
// 无参数请求，后端返回最近 24 小时的数据
const data = await fetchCelestialPositions();
```

**修改后**:
```tsx
// 请求当前小时的单个时间点
const now = new Date();
now.setMinutes(0, 0, 0); // 圆整到小时

const data = await fetchCelestialPositions(
  now.toISOString(),
  now.toISOString(), // start = end，单个时间点
  '1h'
);
```

**API 请求示例**:
```http
GET /api/celestial/positions?start_time=2025-11-29T12:00:00Z&end_time=2025-11-29T12:00:00Z&step=1h
```

**返回数据**: 每个天体 1 个位置点（当前小时）

---

#### 1.2 时间轴数据请求 (`frontend/src/hooks/useHistoricalData.ts`)

**修改前**:
```tsx
const startDate = new Date(date);
const endDate = new Date(date);
endDate.setDate(endDate.getDate() + 1); // +1 天

const data = await fetchCelestialPositions(
  startDate.toISOString(),  // 2025-01-15T00:00:00Z
  endDate.toISOString(),    // 2025-01-16T00:00:00Z ❌ 多了1天
  '1d'
);
```

**修改后**:
```tsx
// 圆整到 UTC 午夜
const targetDate = new Date(date);
targetDate.setUTCHours(0, 0, 0, 0);

// start = end，只请求午夜这个时间点
const data = await fetchCelestialPositions(
  targetDate.toISOString(),  // 2025-01-15T00:00:00Z
  targetDate.toISOString(),  // 2025-01-15T00:00:00Z ✅ 单个时间点
  '1d'
);
```

**API 请求示例**:
```http
GET /api/celestial/positions?start_time=2025-01-15T00:00:00Z&end_time=2025-01-15T00:00:00Z&step=1d
```

**返回数据**: 每个天体 1 个位置点（2025-01-15 00:00:00）

---

### 2. 后端缓存预热修改

#### 2.1 当前位置预热 (`backend/app/services/cache_preheat.py`)

**策略变更**:
- **修改前**: 加载最近 24 小时的所有数据
- **修改后**: 只加载当前小时最接近的单个时间点

**实现逻辑**:
```python
# 当前小时
now = datetime.utcnow()
current_hour = now.replace(minute=0, second=0, microsecond=0)

# 搜索窗口: 当前小时 ± 1 小时
start_window = current_hour - timedelta(hours=1)
end_window = current_hour + timedelta(hours=1)

# 找到最接近当前小时的位置
closest_pos = min(
    recent_positions,
    key=lambda p: abs((p.time - current_hour).total_seconds())
)
```

**Redis Key**:
```
positions:2025-11-29T12:00:00+00:00:2025-11-29T12:00:00+00:00:1h
```

---

#### 2.2 历史位置预热

**策略变更**:
- **修改前**: 每天加载所有时间点的数据
- **修改后**: 每天只加载 00:00:00 这个时间点

**实现逻辑**:
```python
# 目标时间: 当天的午夜 (00:00:00)
target_midnight = target_day.replace(hour=0, minute=0, second=0, microsecond=0)

# 搜索窗口: 午夜 ± 30 分钟
search_start = target_midnight - timedelta(minutes=30)
search_end = target_midnight + timedelta(minutes=30)

# 找到最接近午夜的位置
closest_pos = min(
    positions,
    key=lambda p: abs((p.time - target_midnight).total_seconds())
)
```

**Redis Key**:
```
positions:2025-11-26T00:00:00+00:00:2025-11-26T00:00:00+00:00:1d
positions:2025-11-27T00:00:00+00:00:2025-11-27T00:00:00+00:00:1d
positions:2025-11-28T00:00:00+00:00:2025-11-28T00:00:00+00:00:1d
```

---

## 📊 数据量对比

### 首页数据

| 指标 | 修改前 | 修改后 | 减少 |
|------|--------|--------|------|
| 时间范围 | 最近 24 小时 | 当前 1 小时 | - |
| 每个天体位置点数 | 可能 1-24 个 | 1 个 | **96%** ⬇️ |
| 总数据量（20 天体） | 20-480 个点 | 20 个点 | **96%** ⬇️ |

### 时间轴数据（3 天）

| 指标 | 修改前 | 修改后 | 减少 |
|------|--------|--------|------|
| 每天每个天体位置点数 | 2 个（00:00 和 24:00） | 1 个（00:00） | **50%** ⬇️ |
| 3 天总数据量（20 天体） | 120 个点 | 60 个点 | **50%** ⬇️ |

### positions 表数据量（假设每小时更新一次）

| 场景 | 每个天体每天记录数 | 20 个天体每天总记录数 | 一年总记录数 |
|------|-------------------|---------------------|-------------|
| **首页**（每小时 1 条） | 24 | 480 | 175,200 |
| **时间轴**（每天 1 条） | 1 | 20 | 7,300 |

---

## 🎯 建议的数据管理策略

### 策略 1: 清空并重建 positions 表（推荐）

**原因**:
- 当前表中可能有大量冗余数据
- 重新开始可以确保数据质量

**步骤**:
```sql
-- 1. 清空 positions 表
TRUNCATE TABLE positions;

-- 2. 清空 nasa_cache 表（可选）
TRUNCATE TABLE nasa_cache;
```

**重新获取数据**:
```bash
# 1. 清空 Redis 缓存
curl -X POST "http://localhost:8000/api/celestial/cache/clear"

# 2. 访问首页触发数据获取（当前小时）
# 打开 http://localhost:5173

# 3. 访问时间轴触发数据获取（过去 3 天的午夜数据）
# 点击"时间轴"按钮
```

---

### 策略 2: 定期更新数据（管理后台实现）

#### 2.1 每小时更新当前位置
```python
@scheduler.scheduled_job('cron', minute=0)  # 每小时整点
async def update_current_positions():
    """每小时更新一次所有天体的位置"""
    now = datetime.utcnow()
    current_hour = now.replace(minute=0, second=0, microsecond=0)

    for body in all_bodies:
        # 查询 NASA API（单个时间点）
        positions = horizons_service.get_body_positions(
            body.id,
            current_hour,
            current_hour,  # start = end
            "1h"
        )

        # 保存到数据库
        await position_service.save_positions(
            body.id, positions, "nasa_horizons", db
        )

    # 预热缓存
    await preheat_current_positions()
```

**数据量**: 20 天体 × 1 条/小时 × 24 小时 = **480 条/天**

---

#### 2.2 每天凌晨更新历史数据（时间轴）
```python
@scheduler.scheduled_job('cron', hour=0, minute=0)  # 每天凌晨
async def update_midnight_positions():
    """每天凌晨更新所有天体的午夜位置"""
    now = datetime.utcnow()
    midnight = now.replace(hour=0, minute=0, second=0, microsecond=0)

    for body in all_bodies:
        # 查询 NASA API（单个时间点）
        positions = horizons_service.get_body_positions(
            body.id,
            midnight,
            midnight,  # start = end
            "1d"
        )

        # 保存到数据库
        await position_service.save_positions(
            body.id, positions, "nasa_horizons", db
        )

    # 预热历史缓存（3天）
    await preheat_historical_positions(days=3)
```

**数据量**: 20 天体 × 1 条/天 = **20 条/天**

---

### 策略 3: 数据清理（可选）

定期清理旧数据以节省存储空间：

```python
@scheduler.scheduled_job('cron', hour=3, minute=0)  # 每天凌晨 3 点
async def cleanup_old_positions():
    """清理 30 天前的位置数据"""
    cutoff_date = datetime.utcnow() - timedelta(days=30)

    # 删除旧数据
    await db.execute(
        "DELETE FROM positions WHERE time < :cutoff",
        {"cutoff": cutoff_date}
    )

    logger.info(f"Cleaned up positions older than {cutoff_date.date()}")
```

---

## 📈 性能优化效果

### 数据传输量

| 场景 | 修改前 | 修改后 | 优化 |
|------|--------|--------|------|
| 首页加载（20 天体） | ~5-50KB | ~2KB | **75-95%** ⬇️ |
| 时间轴加载（3 天，20 天体） | ~10KB | ~6KB | **40%** ⬇️ |

### 数据库存储

| 周期 | 修改前 | 修改后 | 减少 |
|------|--------|--------|------|
| 每天新增记录 | 不确定（混乱） | 500 条（首页 480 + 时间轴 20） | - |
| 每年总记录数 | 不确定 | ~18万 | - |

---

## ✅ 总结

### 关键改进

1. ✅ **单点查询策略**: 所有请求都改为 `start_time = end_time`
2. ✅ **首页优化**: 只请求当前小时的单个时间点
3. ✅ **时间轴优化**: 只请求每天 00:00:00 的单个时间点
4. ✅ **缓存预热优化**: 预热逻辑匹配单点查询策略
5. ✅ **数据量减少**: 减少 50-96% 的数据传输和存储

### 数据规范

| 场景 | 时间点 | 频率 | 用途 |
|------|--------|------|------|
| **首页** | 每小时整点（XX:00:00） | 每小时更新 1 次 | 显示当前位置 |
| **时间轴** | 每天午夜（00:00:00） | 每天更新 1 次 | 显示历史轨迹 |

### 下一步操作

1. ⚠️ **重启前端和后端**，应用新的请求逻辑
2. ⚠️ **清空 positions 表**（可选但推荐），确保数据干净
3. ✅ **测试首页和时间轴**，验证数据正确性
4. ✅ **在管理后台实现定时任务**，每小时/每天更新数据

---

**文档版本**: v1.0
**最后更新**: 2025-11-29
**作者**: Cosmo Team