Meta 公司新闻聚合：RSS抓取、去重与最新Top X

题目重点：从RSS获取多家公司新闻，提供指定公司最新X条，并处理重复、修订与抓取延迟。

题意与假设

这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。

训练以一个RSS源开始，可扩多个；公司归属由受控实体表与可核对内容决定，不简单对标题substring匹配。
“最新”按publishTime还是ingestionTime必须明确；示例按可信publishTime降序、同刻articleId稳定排序。缺失或未来异常时间需独立处理。
新闻版权内容按许可保存摘要与链接；本文讨论索引架构，不虚构可无限转载的权限。

poller带ETag/Last-Modified条件抓取，失败指数backoff，记录source水位和fetch版本。每item用(source,guid)去重，guid缺失时以规范URL/hash生成训练标识，同时防不同文章碰撞。
保留articleId、canonicalUrl、publishTime、firstSeenAt、contentVersion与companyMappings。标题/摘要修订更新版本而非新增排名项；URL追踪参数去除规则应受控，不能删除有意义参数。
按(companyId,publishTime DESC,articleId)建索引；GET companyNews(limit,cursor)走keyset，响应带dataAsOf/sourceLag。公司别名合并由实体ID保持稳定，多公司新闻可多对多映射。
source时间错误不能让未来新闻永久占榜，暂存待核或单列uncertainTimestamp；乱序抓取与延迟文章仍按publishTime插入。删文/撤稿作为可见状态更新，并使列表缓存失效。
cache最新TopN高频公司，索引版本变更更新或失效；不同X截取同快照，分页cursor含epoch。监控feed freshness而非只有poller HTTP成功。

一条guid=G新闻首抓标题A、次抓标题B，应更新同article版本而非在TopX出现两次。公司A/B共同并购新闻可以属于两家公司，属于A查询只算该article一次。

每公司索引TopX查询O(log M+X)；入库按公司映射数量插入索引，候选公司识别成本与文本长度/实体表有关。poll频率决定最低新闻延迟，不能以缓存命中率承诺实时。