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:

Видеть интерактивный прогресс при обработке файлов (имя + таймер в секундах)
После обработки — сводка: общее время, байты
Никакого LLM пока — только парсинг
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

⛔ Не фантазировать про инфраструктуру. Managed service ≠ Kubernetes. Деплой = git push.
Версия — всегда. После каждого изменения кода — bump.
ZIP требует особой обработки. Недостаточно просто распарсить — нужно создать документы для каждого файла внутри.
Имена должны совпадать между клиентом (JSZip) и сервером (zipfile) — иначе findRowByName не находит строку.
replace_string_in_file портит файлы — для больших правок использовать heredoc (cat > file).

6.1 KiB Raw Blame History Unescape Escape