docs: ревью Sonnet — промпт, follow-up вопросы, Q&A с ответами
This commit is contained in:
“Naeel”
@@ -0,0 +1,53 @@
|
||||
# Промпт для Sonnet — follow-up вопросы по ревью (скорость + сбои)
|
||||
|
||||
## Контекст
|
||||
Ты дал ревью (файл: History/2026-08-20-sonnet-query-review-speed.md). Часть пунктов приняли,
|
||||
часть — требуют уточнения. Отвечай ТОЛЬКО на вопросы ниже, сухо, конкретно, без воды.
|
||||
Если что-то из твоих утверждений основано на допущении, а не на факте — скажи явно «допущение» и
|
||||
что нужно проверить, чтобы подтвердить.
|
||||
|
||||
## Вопрос 1. Фильтр `page.lines or page.curves` перед `extract_tables()` (extractor.py)
|
||||
Ты предложил: не вызывать extract_tables() на страницах без vector-линий, т.к. на сканах это пустой проход.
|
||||
Вопросы:
|
||||
1.1. Перечисли КОНКРЕТНО типы таблиц, которые `extract_tables()` находит, но которые НЕ дают
|
||||
`page.lines`/`page.curves` (текстовые сетки, таблицы на заливке/fill, встроенные картинки, что ещё?).
|
||||
1.2. Есть ли в нашем реальном наборе (TMP/спецификации, 0144-03-2023_отчет об оценке.pdf, документы из
|
||||
DownLoads) риск, что фильтр отбросит реальную таблицу? Это надо проверить фактом — предложи
|
||||
точный способ замера: как сравнить число таблиц с фильтром и без на конкретных файлах.
|
||||
1.3. Насколько `page.lines`/`page.curves` дешевле `extract_tables()`? В pdfplumber они тоже делают
|
||||
парсинг объектов страницы — дай оценку реального выигрыша на скан-PDF, не «в разы», а чем измерить.
|
||||
1.4. Безопасная альтернатива: может, стоит вызывать extract_tables() только если `page.find_tables()`
|
||||
вернул непусто? Или это то же самое по стоимости? Уточни, что реально дорого внутри extract_tables().
|
||||
|
||||
## Вопрос 2. `_decode_name`: попытка decode("utf-8") перед decode("cp866")
|
||||
Ты предложил порядок: raw.decode("utf-8"), при ошибке — raw.decode("cp866").
|
||||
2.1. Оцени риск ложного срабатывания: когда CP866-байты случайно образуют валидный UTF-8
|
||||
(например, псевдографика 0xC0-0xDF + продолжения 0x80-0xBF). Насколько это реально для имён
|
||||
файлов 1С? Есть ли способ отличить «настоящий UTF-8» от «случайного» (например, проверить
|
||||
диапазон символов после декодирования)?
|
||||
2.2. Подтверди, что для нашего реального случая (Info-ZIP UTF-8 без флага 0x800) этот порядок даёт
|
||||
корректное имя, а для CP866 1С — не ломает.
|
||||
|
||||
## Вопрос 3. ProcessPoolExecutor по страницам / по файлам
|
||||
Ты предложил распараллелить извлечение текста. Вопросы:
|
||||
3.1. Риск памяти: в контейнере сессия уже держит файлы в памяти (до 500 МБ в session.py). При fork
|
||||
воркеры получают COW-копию памяти родителя. Оцени реальный риск OOM в managed-поде (лимит CPU 2,
|
||||
Memory 4Gi) при 4-8 процессах. Не будет ли хуже, чем текущее последовательное?
|
||||
3.2. pdfplumber сам по себе уже использует один процесс. Дай конкретный план безопасного
|
||||
распараллеливания: какие данные передавать в воркер (только bytes страницы или весь файл?),
|
||||
как собирать результаты в порядке индексов, как не раздуть память.
|
||||
3.3. Учитывая CPU 2 (2 ядра) — какой реальный выигрыш даст ProcessPool на 2 ядрах? Стоит ли это
|
||||
сложности, или сначала дёшево (П.1 + П.2)?
|
||||
|
||||
## Вопрос 4. Что реально тормозит в Spartan10Manual.pdf (70–470с на 14.8 МБ)
|
||||
Ты утверждаешь: виноват пустой extract_tables() на скане. Но время скачет 70→470с — это подозрительно.
|
||||
4.1. Как точно измерить, что дороже на ЭТОМ файле: extract_text() по страницам или extract_tables()?
|
||||
Дай конкретный способ замера (тайминги по функциям, по страницам), чтобы не гадать.
|
||||
4.2. Объясни разброс 70–470с: что в коде/данных может давать такой разброс между запусками
|
||||
(кэши, LLM, сеть к liberta, нагрузка CPU пода)?
|
||||
4.3. Есть ли в extract_text() внутри pdfplumber скрытый повторный парсинг (например, повторное чтение
|
||||
объекта при каждом вызове), который можно убрать без смены библиотеки?
|
||||
|
||||
## Формат ответа
|
||||
- По каждому вопросу: короткий ответ + «факт»/«допущение» + что проверить, если допущение.
|
||||
- Без воды, без лирики.
|
||||
@@ -0,0 +1,44 @@
|
||||
# Промпт для Sonnet — код-ревью drhider (скорость + сбои)
|
||||
|
||||
## Роль
|
||||
Ты — ревьюер кода. Отвечай ТОЛЬКО по делу: короткие технические тезисы. Без воды, без лирики, без «как было бы здорово», без общих фраз. Каждый тезис — конкретика: файл, функция, строка, суть.
|
||||
|
||||
## Ограничение: смотреть ТОЛЬКО эти файлы, нигде больше не рыться
|
||||
- `drhider/obfuscator.py` — двухпроходный обфускатор (проход 1: извлечение текста + regex + LLM NER; проход 2: замена)
|
||||
- `drhider/extractor.py` — pdf_to_markdown (pdfplumber), doc_to_markdown (сервис liberta), expand_zips (рекурсия zip, CP437→CP866), защита от zip-бомб
|
||||
- `drhider/scanner.py` — scan_regex, scan_llm_ner
|
||||
- `drhider/replacer.py` — apply_replacements (один regex из всех ключей)
|
||||
- `drhider/llm_client.py` — OpenAI-совместимый клиент, счётчики токенов/времени
|
||||
- `drhider/builder.py` — build_zip, build_mapping_csv
|
||||
- `site/routes/api_bp.py` — upload, process_stream (SSE + воркер в потоке), download/csv
|
||||
- `site/app.py` — create_app, лимиты, setup_logging (LOG_LEVEL/LOG_FILE)
|
||||
- `site/session.py` — хранение сессий в памяти, TTL 30 мин, MAX_SESSION_BYTES
|
||||
- `site/templates/index.html` — фронт: нативный unzip, таблица, SSE-прогресс, таймеры, лимиты 100МБ/1ГБ
|
||||
|
||||
Не читай README, docs, History, tests, Dockerfile, ничего про деплой.
|
||||
|
||||
## Контекст: сбои, которые были (объясни каждый, если увидишь первопричину в коде)
|
||||
1. «SSE connection failed» при живом воркере. Выяснено: воркер падал на битом PDF — `PDFSyntaxError('No /Root object!')` в `extract_text` не был обёрнут по-файлово; после фикса (skip битого файла) SSE доходит до complete. Подтверди/опровергни по коду, есть ли ещё места, где одна ошибка файла роняет весь проход.
|
||||
2. Кракозябры кириллицы в именах zip. Причина: Info-ZIP пишет UTF-8 без флага 0x800 → декодер `encode(cp437).decode(cp866)` ломает. Проверь `_decode_name` в extractor.py: покрывает ли оба реальных сценария (CP866 без флага и UTF-8 с флагом), есть ли дыры.
|
||||
3. HTTP 413 при загрузке. Лимиты: MAX_CONTENT_LENGTH=200MB (запрос), MAX_SESSION_BYTES=500MB (сессия). Фронт пускает до 100МБ/файл и 1ГБ/сумма — рассинхрон фронт/бэк. Отметь.
|
||||
|
||||
## Главная задача: предложи БОЛЕЕ БЫСТРУЮ логику обработки
|
||||
Известные факты производительности (факты, не догадки):
|
||||
- pdfplumber на скане Spartan10Manual.pdf 14.8 МБ — 70–470 секунд на извлечение текста.
|
||||
- Большой PDF 19 МБ — ~25–26 с на extract_text.
|
||||
- LLM NER — один общий вызов на все файлы, ~1.8с на маленьком наборе, зависит от числа токенов.
|
||||
- apply_replacements оптимизирован (один regex), но проверить, нет ли лишней работы.
|
||||
|
||||
Что хочешь от тебя:
|
||||
- Где реальные узкие места в коде (не «вообще», а конкретные функции/строки).
|
||||
- Конкретные предложения ускорения: что менять, как, ожидаемый эффект. Без «использовать PyMuPDF» — уже пробовали, теряет таблицы (94 vs 40), ТАБЛИЦЫ КРИТИЧНЫ. Учитывай это ограничение.
|
||||
- Можно ли ускорить без смены pdfplumber (параллельность страниц, кэши, ограничение повторных парсингов, предобработка)?
|
||||
- Есть ли дублирующая работа между проходами 1 и 2 (например, повторный парсинг/чтение)?
|
||||
- Безопасно ли распараллелить извлечение текста по файлам (потоки/GIL)? Если да — как.
|
||||
|
||||
## Формат ответа
|
||||
- Секция «Сбои»: по каждому — подтверждение/опровержение по коду + где именно.
|
||||
- Секция «Узкие места»: список файл:строка + суть + почему.
|
||||
- Секция «Предложения ускорения»: пронумерованный список, каждый пункт: что/где/как/эффект/риски.
|
||||
- Секция «Итог»: 3–5 самых важных действий по приоритету.
|
||||
- Максимум — сухо, без воды.
|
||||
@@ -0,0 +1,127 @@
|
||||
# 2026-08-20 — Ревью Sonnet: вопросы и ответы (Q&A)
|
||||
|
||||
Серия: ревью скорости обработки + объяснение сбоев.
|
||||
Предыдущие файлы:
|
||||
- History/2026-08-20-sonnet-query-review-speed.md — исходный промпт ревью
|
||||
- History/2026-08-20-sonnet-query-review-speed-followup.md — вопросы по спорным пунктам
|
||||
- Настоящий файл — ответы Sonnet + решения
|
||||
|
||||
---
|
||||
|
||||
## В1. Фильтр `page.lines or page.curves` перед `extract_tables()` (extractor.py)
|
||||
|
||||
### В1.1 — Какие таблицы extract_tables() найдёт, но фильтр отбросит?
|
||||
**Sonnet: допущение (не факт).**
|
||||
`extract_tables()` со стратегией по умолчанию ищет только векторные линии (strategy="lines").
|
||||
- Таблицы на цветном фоне (только `page.rects`, без линий) — фильтр `lines or curves` их пропустит → **дыра**.
|
||||
Нужно `or page.rects`.
|
||||
- Whitespace-таблицы (только пробелы/выравнивание) — не найдёт вообще без strategy="text".
|
||||
- Растровые таблицы в embedded images — не найдёт вообще.
|
||||
|
||||
**Решение:** фильтр = `page.lines or page.curves or page.rects`. Обязательно проверить фактом (В1.2).
|
||||
|
||||
### В1.2 — Как проверить, что фильтр не потеряет таблицы?
|
||||
**Sonnet:**
|
||||
```python
|
||||
with pdfplumber.open(fname) as pdf:
|
||||
for i, page in enumerate(pdf.pages):
|
||||
t_all = page.extract_tables()
|
||||
has_lines = bool(page.lines or page.curves or page.rects)
|
||||
t_filtered = page.extract_tables() if has_lines else []
|
||||
if len(t_all) != len(t_filtered):
|
||||
print(f"p{i}: потеряно {len(t_all)-len(t_filtered)} таблиц")
|
||||
```
|
||||
Прогнать на TMP-спецификациях и 0144-03-2023_отчет об оценке.pdf.
|
||||
|
||||
**Решение:** сделать замер до включения фильтра в код. ТАБЛИЦЫ КРИТИЧНЫ (прецедент PyMuPDF 40 vs 94).
|
||||
|
||||
### В1.3 — Насколько page.lines/curves дешевле extract_tables()?
|
||||
**Sonnet: допущение.**
|
||||
`page.lines` — `@cached_property` (уже разобран при первом обращении к странице). Стоимость ≈ 0.
|
||||
Дорогой в `extract_tables()` — `TableFinder`: строит граф пересечений линий. На скан-PDF всё равно инициализируется.
|
||||
Замер:
|
||||
```python
|
||||
t0 = time.perf_counter(); _ = page.lines; t1 = time.perf_counter()
|
||||
t2 = time.perf_counter(); _ = page.extract_tables(); t3 = time.perf_counter()
|
||||
print(f"lines={t1-t0:.4f}s extract_tables={t3-t2:.4f}s")
|
||||
```
|
||||
|
||||
### В1.4 — find_tables() как guard?
|
||||
**Sonnet:** `find_tables()` и `extract_tables()` — одна стоимость (`extract_tables()` вызывает `finder.find_tables()` внутри). Guard бесполезен.
|
||||
|
||||
---
|
||||
|
||||
## В2. `_decode_name`: попытка decode("utf-8") перед decode("cp866")
|
||||
|
||||
### В2.1 — Риск ложного срабатывания UTF-8 на CP866-байтах?
|
||||
**Sonnet:**
|
||||
CP866 кириллические заглавные = 0xC0–0xDF. В UTF-8 0xC0, 0xC1 — overlong (невалидны), 0xC2–0xDF — валидное начало двухбайта, требует продолжения 0x80–0xBF. CP866 строчные = 0xA0–0xBF — попадают в диапазон UTF-8 continuation bytes.
|
||||
**Реальная коллизия:** «Т» (0xD2) + «г» (0xA3) = 0xD2 0xA3 = валидный UTF-8 (U+04A3 Ң). Риск для имён «Тг…», «Рп…» и т.п.
|
||||
**Защита:** после `decode("utf-8")` проверить, что все символы — в U+0400–U+04FF (кириллица) или ASCII. Если есть символы вне диапазона — ложное срабатывание → фоллбэк cp866.
|
||||
|
||||
### В2.2 — Подтверждение порядка
|
||||
**Sonnet: факт.**
|
||||
- Info-ZIP UTF-8 без флага: zipfile(cp437) → `encode("cp437")` → исходные UTF-8 байты → `decode("utf-8")` → корректно.
|
||||
- CP866 1С: zipfile(cp437) → `encode("cp437")` → CP866 байты → `decode("utf-8")` → почти всегда UnicodeDecodeError (0xC0/0xC1 overlong, 0xE0–0xFF без продолжения) → фоллбэк `decode("cp866")` → корректно.
|
||||
|
||||
**Решение:** фикс принимается, но с валидацией диапазона кириллицы/ASCII после utf-8.
|
||||
|
||||
---
|
||||
|
||||
## В3. ProcessPoolExecutor по страницам/файлам
|
||||
|
||||
### В3.1 — Риск памяти при fork в managed-поде
|
||||
**Sonnet: допущение.**
|
||||
fork → COW. pdfplumber в дочернем создаёт новые объекты (запись → COW). 500МБ session files в родителе — COW, читаются, не копируются. Пик: pdfplumber на 14.8МБ PDF ~150–300МБ на воркер. 2 воркера + родитель ≈ 1–1.5ГБ пик. При 4Gi — умеренный риск.
|
||||
`spawn` (не fork): дочерние стартуют чисто, память сессии не копируется, overhead ~0.5с/процесс.
|
||||
|
||||
### В3.2 — Безопасный план распараллеливания
|
||||
**Sonnet:**
|
||||
- Единица параллелизма: **файл** (не страница), воркер получает `(fname, content_bytes)` через pickle.
|
||||
- content_bytes по pipe: 15МБ ≈ 0.1с overhead.
|
||||
- Порядок: `{i: executor.submit(pdf_to_markdown, content)}`, collect `{i: future.result()}`.
|
||||
- progress_cb из основного потока после future.result().
|
||||
|
||||
### В3.3 — Выигрыш на CPU=2
|
||||
**Sonnet:** на 2 ядрах при ОДНОМ PDF — нет выигрыша (один процесс на одно ядро). Выигрыш только при нескольких PDF: 3 файла × 25с → ~30с вместо 75с.
|
||||
**Рекомендация Sonnet:** сначала В1 (фильтр) + В2 (decode) — бесплатно и безопасно. ProcessPool — потом, если замер покажет, что узкое место реально там.
|
||||
|
||||
**Решение:** ОТЛОЖЕНО. Сначала В1+В2, замерить.
|
||||
|
||||
---
|
||||
|
||||
## В4. Разброс 70–470с на Spartan10Manual.pdf (14.8 МБ)
|
||||
|
||||
### В4.1 — Как измерить, что дороже: extract_text или extract_tables
|
||||
**Sonnet:**
|
||||
```python
|
||||
with pdfplumber.open(io.BytesIO(content)) as pdf:
|
||||
for i, page in enumerate(pdf.pages):
|
||||
t0 = time.perf_counter()
|
||||
page.extract_text()
|
||||
t1 = time.perf_counter()
|
||||
page.extract_tables()
|
||||
t2 = time.perf_counter()
|
||||
print(f"p{i:3d}: text={t1-t0:.3f}s tables={t2-t1:.3f}s")
|
||||
```
|
||||
|
||||
### В4.2 — Причина разброса
|
||||
**Sonnet:**
|
||||
- Факт: pdfplumber не кэширует между запросами — каждый вызов парсит заново.
|
||||
- Допущение: CPU throttling при limit=2 в managed-поде (нагрузка → 470с, пусто → 70с). Проверить `kubectl top pod` во время обработки.
|
||||
- Допущение: битмапы скана разного размера (цветной vs ч/б) → разное время декомпрессии (JPEG2000/JBIG2). Проверить замером по страницам.
|
||||
|
||||
### В4.3 — Скрытый повторный парсинг в extract_text?
|
||||
**Sonnet: факт.** `extract_text()` читает `self.chars` (@cached_property), `extract_tables()` — `self.edges` (@cached_property). Оба используют уже разобранные структуры. Повторного чтения PDF в рамках одного `with pdfplumber.open()` нет.
|
||||
|
||||
---
|
||||
|
||||
## Итоговый план (по приоритету)
|
||||
1. **В2** — `_decode_name`: utf-8 + валидация диапазона (кириллица U+0400–U+04FF/ASCII) → фоллбэк cp866. Фикс Info-ZIP-зипов (кракозябры).
|
||||
2. **В1** — фильтр `page.lines or page.curves or page.rects` перед `extract_tables()` + замер числа таблиц до/после на реальных файлах.
|
||||
3. Замер ускорения на Spartan10Manual.pdf.
|
||||
4. ProcessPool — после фактов, если узкое место там (отложено).
|
||||
5. Диагностика разброса 70–470с: `kubectl top pod` во время обработки + замер по страницам.
|
||||
|
||||
## Статус реализации
|
||||
- Пока НЕ реализовано (ждёт «делай»). Код не менялся в рамках этого Q&A.
|
||||
Reference in New Issue
Block a user