session-05: SSE-парсинг, отказ от LLM, ZIP-обработка
This commit is contained in:
“Naeel”
@@ -0,0 +1,113 @@
|
|||||||
|
# Сессия #5 — SSE-парсинг, интерактивный прогресс, отказ от LLM
|
||||||
|
|
||||||
|
_Дата: 2026-06-16_
|
||||||
|
_Версия: v1.0 → v1.5 (5 повышений)_
|
||||||
|
_Коммиты: fa4c7fe → 435f617 (6 шт.)_
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Контекст
|
||||||
|
|
||||||
|
Пользователь (Наиль) захотел:
|
||||||
|
1. Видеть **интерактивный прогресс** при обработке файлов (имя + таймер в секундах)
|
||||||
|
2. После обработки — **сводка**: общее время, байты
|
||||||
|
3. **Никакого LLM** пока — только парсинг
|
||||||
|
4. Вспомнил что очередь файлов (JS-слой) уже была реализована в коммите `17c4841`
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Шаг 1: SSE-поток для LLM (v1.1, fa4c7fe)
|
||||||
|
|
||||||
|
**Что сделано:**
|
||||||
|
- `_process` в app.py переделан с блокирующего POST на SSE-поток (`text/event-stream`)
|
||||||
|
- Маршрут `/process/<cid>` сменён на GET (нужно для `EventSource`)
|
||||||
|
- События: `file_start` → `file_done`/`file_error` → `summary`
|
||||||
|
- В шаблоне — JavaScript с `EventSource`, живые таймеры (каждые 500мс)
|
||||||
|
|
||||||
|
**Ошибка:** Назвал деплой «поды в Kubernetes» — пользователь поправил: это **managed service** на pythonk8s.services.ngcloud.ru, деплой = `git push master`.
|
||||||
|
|
||||||
|
**Ошибка:** Забыл повысить версию → v1.1 отдельным коммитом.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Шаг 2: Полный отказ от LLM (v1.2, 3cffca7)
|
||||||
|
|
||||||
|
**Причина:** Пользователь сказал «НЕ НАДО ЛЛМ и на экране тоже».
|
||||||
|
|
||||||
|
**Что сделано:**
|
||||||
|
- `_process` → `_parse` — только парсинг, без `extractor.extract()` и `differ.diff()`
|
||||||
|
- `_upload_files` — только сохраняет файлы в БД, без парсинга на этом этапе
|
||||||
|
- `POST /` возвращает JSON `{"contract_id": "..."}` вместо редиректа
|
||||||
|
- Весь LLM (`extractor`, `differ`, `llm_client`) убран из основного потока
|
||||||
|
|
||||||
|
**Интерфейс:**
|
||||||
|
- Файлы → сразу в таблицу (имя, дата изменения, размер)
|
||||||
|
- ZIP — JSZip показывает содержимое в браузере
|
||||||
|
- Кнопка **«Парсинг»** (не «Обработать LLM»)
|
||||||
|
- Клиент: POST файлов через `fetch`, затем SSE `/parse/<cid>`
|
||||||
|
- Прогресс в столбце «Статус»: ⏳ Xс → ✓ X.Xс
|
||||||
|
- Итоговая строка: ✓ Готово: N файлов | размер | время
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Шаг 3: ZIP — файлы внутри не парсились (v1.3, 21f8c0b)
|
||||||
|
|
||||||
|
**Проблема:** ZIP-файл парсился как единое целое (✓ 0.2с), а файлы внутри него (`допник-1.doc`, `спецификация.docx`...) оставались с `—` в статусе.
|
||||||
|
|
||||||
|
**Причина:** В `_parse` парсер просто сливал все elements из ZIP в один документ. Файлы из JSZip-превью были только в браузере, сервер про них не знал.
|
||||||
|
|
||||||
|
**Решение:**
|
||||||
|
- Сервер сам открывает ZIP (`zipfile.ZipFile`)
|
||||||
|
- Для каждого файла внутри: создаёт отдельный `documents` + `supplements`, парсит, шлёт SSE-события
|
||||||
|
- JSZip и сервер используют одинаковые имена → `findRowByName` находит строку
|
||||||
|
- ZIP-строка показывает `↗ N файлов` вместо галочки
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Шаг 4: Подпапки в ZIP (v1.4, d5858d7)
|
||||||
|
|
||||||
|
**Проблема:** Если в ZIP есть подпапки, и в разных папках файлы с одинаковыми именами — конфликт.
|
||||||
|
|
||||||
|
**Решение:** Использовать полный относительный путь (`подпапка/файл.docx`) вместо basename.
|
||||||
|
|
||||||
|
Изменено в двух местах:
|
||||||
|
- **Клиент**: `relativePath` вместо `relativePath.split('/').pop()`
|
||||||
|
- **Сервер**: `zname` вместо `zbasename`
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Шаг 5: Только PDF и Word (v1.5, 435f617)
|
||||||
|
|
||||||
|
**Проблема:** Из ZIP парсились ВСЕ файлы (включая `.txt`, `.xlsx`), давая пустые результаты.
|
||||||
|
|
||||||
|
**Решение:** Фильтр по MIME-типу:
|
||||||
|
- Сервер: `if zmime not in (pdf, docx, doc): continue`
|
||||||
|
- Клиент (JSZip): `if ['docx','doc','pdf'].indexOf(ext) === -1: return`
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Архитектура (текущая)
|
||||||
|
|
||||||
|
```
|
||||||
|
app.py:
|
||||||
|
POST / → _upload_files() → сохранить файлы в БД, вернуть JSON {contract_id}
|
||||||
|
GET / → _index() → render_template("upload.html")
|
||||||
|
GET /parse/<cid> → _parse() → SSE-поток парсинга
|
||||||
|
|
||||||
|
_parse():
|
||||||
|
1. Для каждого документа договора:
|
||||||
|
- Обычный файл → parser_mod.parse() → сохранить parsed_text
|
||||||
|
- ZIP → zipfile.ZipFile() → для каждого PDF/Word внутри:
|
||||||
|
создать document + supplement → parser_mod.parse() → сохранить
|
||||||
|
2. SSE-события: file_start → file_done/file_error → zip_expanded → summary
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Выученные уроки
|
||||||
|
|
||||||
|
1. **⛔ Не фантазировать про инфраструктуру.** Managed service ≠ Kubernetes. Деплой = `git push`.
|
||||||
|
2. **Версия — всегда.** После каждого изменения кода — bump.
|
||||||
|
3. **ZIP требует особой обработки.** Недостаточно просто распарсить — нужно создать документы для каждого файла внутри.
|
||||||
|
4. **Имена должны совпадать** между клиентом (JSZip) и сервером (zipfile) — иначе `findRowByName` не находит строку.
|
||||||
|
5. **`replace_string_in_file` портит файлы** — для больших правок использовать heredoc (`cat > file`).
|
||||||
Reference in New Issue
Block a user