# Сессия #5 — SSE-парсинг, интерактивный прогресс, отказ от LLM

_Дата: 2026-06-16_
_Версия: v1.0 → v1.8 (8 повышений)_
_Коммиты: fa4c7fe → e0c58fc (8 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`).

---

## Шаг 6: Таймаут при загрузке (v1.6, 64b2295)

**Проблема:** Все файлы отправлялись одним POST-запросом → >30с → Ingress убивал соединение → «NetworkError when attempting to fetch resource». Никакого прогресса загрузки не было видно.

**Решение:**
- `_upload_files` поддерживает `?cid=X` — первый файл создаёт договор, остальные добавляются
- Клиент: загрузка по одному файлу через XHR с `upload.onprogress`
- Прогресс: ↑ 0% → ↑ 45% → ↑ 100% → ✓ загружен
- XHR таймаут: 60 секунд на файл
- Размеры файлов из ZIP — через `zipEntry._data.uncompressedSize`
- Размеры выровнены вправо (`.num-cell`)

---

## Шаг 7: Прогресс для файлов из ZIP не показывался (v1.7, c710a2d)

**Проблема:** `findRowByName` имел условие `&& !fileQueue[i].isZipChild`, поэтому
SSE-события для файлов из ZIP не находили строку в таблице — статус оставался пустым.

**Причина:** в v1.6 `findRowByName` использовалась и для upload (realFiles)
и для parse (все файлы). Фильтр защищал от нахождения zip-child при upload,
но ломал parse.

**Решение:** убрать `!fileQueue[i].isZipChild`. Для upload это безопасно —
`realFiles` и так фильтрует `!isZipChild` перед вызовом.

**БД:** проверена — все 5 файлов из ZIP созданы, 4 распарсены, 1 .doc с пустым parsed_text (нет LibreOffice).

---

## Шаг 8: Баги после полной проверки (v1.8, e0c58fc)

**Баг 1 — `zip_expanded` счётчик:** `zip_names.append(zname)` стоял ДО фильтра PDF/Word,
поэтому «↗ N файлов» включал .txt, .xlsx и т.д. **Исправлено:** перенос после фильтра.

**Баг 2 — повторный `_parse` пересоздаст ZIP-файлы:** проверка `status='parsed'` пропускала
только распарсенные, но ZIP имеют статус `expanded`. При повторном вызове `_parse`
ZIP обрабатывался заново, создавая дубликаты. **Исправлено:** `status IN ('parsed','expanded')`.

**Другие проверки (без ошибок):**
- `resetBtn()` — function declaration, hoisting работает, вызов до определения корректен
- `removeFile` — удаление детей перед родителем, индексы не смещаются (дети всегда после родителя)
- `fileTable.appendChild(summaryRow)` — повторные запуски создадут несколько строк-итогов (допустимо)