diff --git a/openspec/changes/slice-3a-ocr-normalizer/.openspec.yaml b/openspec/changes/slice-3a-ocr-normalizer/.openspec.yaml new file mode 100644 index 0000000..aa32566 --- /dev/null +++ b/openspec/changes/slice-3a-ocr-normalizer/.openspec.yaml @@ -0,0 +1,2 @@ +schema: spec-driven +created: 2026-10-06 diff --git a/openspec/changes/slice-3a-ocr-normalizer/design.md b/openspec/changes/slice-3a-ocr-normalizer/design.md new file mode 100644 index 0000000..88a1b91 --- /dev/null +++ b/openspec/changes/slice-3a-ocr-normalizer/design.md @@ -0,0 +1,151 @@ +# Design: Срез 3a — горячие папки как у armka_file_worker и нормализатор OCR + +## Context + +Срез 0 построил конвейер scan-gateway (ack → S3 → горячая папка → опрос → `raw/` → нормализатор → конверт) с +`NullNormalizer`. Контракт v1.2 (Срез 2b) определил `statementDocument`: `header`, `columns[{column_index, label, +period_date}]`, `lines[{line_code, line_code_confidence, line_name, line_name_confidence, values[{column_index, amount, +string_value, confidence, is_recognized}]}]`, необязательный `checks`. Реальные ответы ИС (`../fixtures/ocr/aep_3.json`, +`aep_6.json`) — `data_ocr {label, organization, inn, units, date, table_structure[{label, rows[{row_index, cells[{column_index, +value, confidence}]}]}]}`; текст в ячейках зашумлён (двойники букв и цифр, `|` как границы клеток, переносы строк, скобки), +в `aep_3.json` у таблицы нет строки-шапки. Старое ядро (`DKB_ARMKA`, `services/ofr_result_conversion/`) решает эти +задачи кодом, проверенным на стенде ИС Сканирование; владелец 06.10.2026 разрешил его перенос (§11.1). + +## Goals / Non-Goals + +Goals: PDF-путь отдаёт ядру тот же `statementDocument` v1.2, что Excel-путь; раскладка горячих папок совпадает с +проверенным в контуре FileWorker; перенос проверенных функций очистки без их DB-обвязки; dev-стенд с эмулятором +работает на реальных парах PDF+JSON. +Non-goals: см. `proposal.md`. + +## Decisions + +### D-1. Имена в горячих папках как у FileWorker, временный файл остаётся в `Tmp` (решение владельца) +`put(job_id, ext, data)` пишет `/...part`, затем rename без замены в `/.`. +Расширение — суффикс `original_name` запроса в нижнем регистре; без суффикса — `RECOGNITION_FAILED` (ИС различает +форматы по расширению). Назначение уже существует (повторная публикация задания после потери ack) → файл считается +доставленным, `.part` остаётся до очистки. Владелец отклонил `.tmp` рядом с назначением (как у FileWorker): ИС может +подхватить недописанный файл; FileWorker полагается на игнор `*.tmp`, у нас такой гарантии нет. `poll` без изменений. + +### D-2. Очистка — отдельный метод под флагом `SCAN_CLEANUP` (решение владельца) +`cleanup(job_id, ext)` удаляет `Output//*.json`, каталог `Output/`, `/.`, +`/..done` (след эмулятора) и `/...part`. Вызывается воркером только после того, +как набор ответа прочитан и склеен в `raw/` (любой исход разбора), и только при `SCAN_CLEANUP=true`. При `TIMEOUT`, +ошибке чтения S3, ошибке записи в горячую папку — не вызывается. Любое удаление, включая `.part`, подчиняется флагу: на +SMB-шаре контура права на удаление не подтверждены. Ошибки удаления — одна строка лога на задание, исход задания и +`/healthcheck` не меняются. По умолчанию `false`; dev-compose — `true`. + +### D-3. Эмулятор ищет пару по sha256 содержимого, при промахе — набор по умолчанию (решение владельца, вариант 3) +Имя входящего файла больше не несёт имени фикстуры. Эмулятор при старте индексирует `SCAN_FIXTURES_DIR`: для каждого +файла, не являющегося `*.json`, считается sha256 → основа имени `` (без расширения); индекс пересчитывается, +если изменился список файлов каталога. Для входящего `.` считается sha256; совпадение → набор `.json` + +`_*.json` по прежним правилам (`.json`, `_.json`, `file_uid = `); промах → +`SCAN_EMULATOR_DEFAULT=` (если задан и его набор существует) → иначе ответ-ошибка `INVALID_DOCUMENT` с текстом «нет +пары по содержимому». Владелец дополнит пары PDF+JSON в fixtures (сейчас пары есть для `aep_3`, `aep_5`, `aep_6`, `aep_8`). + +### D-4. Нормализатор — конвейер чистых функций, проверенные куски переносятся дословно (решение владельца, вариант B) +`src/normalizer/ocr/`: +- `text.py` — `fix_lookalikes` (замена двойников только вплотную к цифре, несколько проходов; `|` как разделитель, если + первая строка состоит из цифр, пробелов, `|`, `•`, `·`, точек, двоеточий, запятых), `clean_value` (буквы, цифры, пробел, + точка; `\n`/`\t` → пробел), `digits_only`, `normalize_header` (нижний регистр, не-буквенно-цифровое → пробел). +- `dates.py` — `parse_date(text) -> date | None`: текстовые формы по приоритету, затем числовые; дословный перенос + `date_utils._parse_date` и паттернов. Паттерны остаются в коде (регулярки с лямбдами). +- `amounts.py` — `parse_amount(text) -> ParsedAmount(amount: Decimal | None, verified: bool)`; `is_blank` (прочерки). +- `layout.py` — `ColumnLayout(label_idx, code_idx, value_idxs)`, `build_layout(cells)` по строке с ячейкой «код…», + `infer_layout(rows_cells, known_codes)` по данным; `cells` — `dict[int, Cell(value, confidence)]`. +- `rows.py` — `parse_table_rows(rows, known_codes) -> list[ParsedRow] | None` (первая строка — шапка настоящая или + синтетическая, повторная шапка перезаписывает раскладку), `classify_row` (`HEADER`/`TOTAL`/`BALANCE`/`ROW`), + `table_type_by_codes`. +- `header.py` — `parse_file_header(data_ocr) -> FileHeader` (организация, ИНН, единицы, дата отчёта, их `confidence` и + признаки «распознано» по §11.1 п. 8). +- `document.py` — `build_document(table, index, file_name, file_header, rules) -> BuiltDocument` (документ контракта + + предупреждения + флаг «всё распознано»). +- `__init__.py` — `OcrNormalizer(rules)`: обход `files` склейки по возрастанию имени, сбор документов, статус (D-6), + `metrics`. Исключение при разборе одной таблицы → предупреждение `BACKEND_PARSING_ERROR`, остальные таблицы + разбираются; исключение вне таблицы → как в Срезе 0 (воркер отвечает `UNKNOWN_ERROR`, `raw/` уже сохранён). +Все функции без I/O и настроек; правила (D-7) передаются объектом. Перенос с именами без подчёркиваний, типами и +docstring'ами на русском; алгоритмы и регулярки — как в источнике, расхождения фиксируются в тестах. + +### D-5. `checks` в документе scan-gateway отсутствуют (решение владельца) +Отсутствие `checks` по контракту означает «не проверялось». Соотношения §7 для обоих источников считает ядро в 3b; +дублировать `statement_checks.yaml` из 2b в scan-gateway не нужно. Чтобы не конфликтовать: ядро не должно полагаться на +`checks` как на единственный источник, это требование уйдёт в change 3b. + +### D-6. Статусы и предупреждения +Файлы ответа: правила Среза 0 без изменений (ошибочные файлы, `error` при всех ошибочных, строки `metrics.warnings`). +Из успешных файлов собираются документы по одному на таблицу: +- ни одной таблицы не разобрано (нигде нет столбца кода, `table_structure` пусты) → `status = error`, + `error.code = RECOGNITION_FAILED`, `error.message = "ни одной таблицы не разобрано"`, причины по таблицам — в warnings; +- есть документы → `done`, если у всех документов `inn_confidence` и `organization_name_confidence` равны 100, + `report_date` и все `period_date` заполнены, все `line_code_confidence`/`line_name_confidence` равны 100, все значения + `is_recognized`, тип совпал с `label`, редакция определена по дате и заполнена, и нет предупреждений уровня таблицы; + иначе `needs_check`. Единицы (`units`) в критерий не входят: у поля нет `confidence` в контракте. +Предупреждения уровня таблицы: `<имя json>: table:: <текст>` — таблица пропущена (нет шапки и столбца кода), шапка +синтезирована (колонки без дат), тип по кодам разошёлся с `label`, колонка без даты, редакция определена по кодам, +редакция `fsbu4` не заполнена, код из другой редакции, `BACKEND_PARSING_ERROR: <класс>: <сообщение>`. Уровня файла: +`<имя json>: ИНН не распознан`, `<имя json>: дата отчёта не разобрана`. Длина и число строк — как в Срезе 0 (`clean_text`). +`metrics.rows` — сумма строк документов. Документ `OTHER` (тип не определён) включается с разобранным содержимым и даёт +`needs_check`. + +### D-7. Правила — данные в `api/rules/`, справочник кодов с редакциями (решение владельца) +- `statement_lines.yaml`: `editions: [{id: 66n, valid_until: 2024-12-31, lines: {...}}, {id: fsbu4, valid_from: + 2025-01-01, lines: {}}]`. `66n` — из `codes_mapping` старого ядра с исправленными опечатками; `fsbu4` — пустая, данные + положит владелец, код не меняется. Выбор редакции для документа: по `report_date` шапки → по самой поздней + `period_date` колонок → по совпадениям кодов (с предупреждением). Пустая выбранная редакция → предупреждение + «редакция fsbu4 не заполнена», имена из OCR, `needs_check`. Код не в выбранной редакции, но есть в другой → + предупреждение, `needs_check`; код нигде → имя из ячейки OCR, `line_code_confidence` из OCR. +- `ocr_lookalikes.yaml`: пары «символ → цифра» и список символов замены. +- `statement_labels.yaml`: нормализованные подстроки `label` таблицы → `BALANCE` / `INCOME`. +Загрузка один раз при старте (`SCAN_RULES_DIR`, по умолчанию `rules/` сервиса), pydantic-валидация; битый yaml — ошибка +старта. Тест покрытия: коды 4–5 цифр, имена непустые, дубли отсутствуют, обе редакции валидируются одинаково. + +### D-8. Тесты +Юнит по каждому модулю `normalizer/ocr/`; golden на реальных фикстурах `../fixtures/ocr/*.json` с эталонами +`../fixtures/ocr/expected_normalize/.json` (формат — файл результата: `status`, `documents`, `warnings`; +структурное сравнение, обновление — `make golden-update`); протокольные тесты нормализатора переводятся на +`OcrNormalizer`; тесты горячих папок, эмулятора, воркера обновляются; `test_roundtrip.py` на `aep_6.pdf` до конверта с +документами. Интеграция не запускается одновременно с интеграцией arm-core (OQ-83). + +### D-9. Настройки и соседние репозитории +`SCAN_CLEANUP=false`, `SCAN_RULES_DIR`, `SCAN_EMULATOR_DEFAULT=""`; `SCAN_TMP_DIR` сохраняется. Ветка — от main после +мержа scan-gateway #5 (копия схемы 1.2). fixtures: пары PDF+JSON от владельца и `expected_normalize/` — отдельный PR. +docs: bounded-PR (`03-architecture.md`, OQ-137, §11.1 п. 6 и 9, новые OQ). + +## Risks / Trade-offs + +- Реальные сканы почти всегда дадут `needs_check` — это ожидаемо; `done` означает лишь отсутствие подсветок в 3b. +- Пустая редакция `fsbu4` до заполнения: документы 2025 года идут с именами из OCR. Цена — больше ручной проверки, не + потеря данных. +- `|`-эвристика и двойники могут исказить редкие корректные значения; `string_value` хранит очищенный, а `raw/` — сырой + текст, аналитик видит оба. +- Rename без замены на SMB: `smbclient.rename` поднимает `FileExistsError`; при гонке с ИС, уже забравшей файл, + назначения может не быть — тогда `.part` переименовывается повторно, это идемпотентно. + +## Migration Plan + +Не требуется: сервис без БД; изменение имён файлов видят только ИС и эмулятор; контракт не меняется. Dev-стенд: после +мержа обновить `docs/dev/.env.example` и compose (`SCAN_CLEANUP=true`, `SCAN_EMULATOR_DEFAULT` по желанию). + +## Open Questions + +1. Права на удаление на SMB-шаре контура (новый OQ) — пока `SCAN_CLEANUP=false`. +2. Нужна ли ядру редакция формы в конверте (кандидат в MINOR 1.3) — новый OQ. +3. Словари §7 и §12 по редакциям (2b, 3b) — новый OQ, расширение OQ-12. +4. Состав редакции `fsbu4` — данные владельца. + +## Decisions made without discussion + +| № | Дата | Решение | Обоснование | Цена ошибки | +|---|---|---|---|---| +| 1 | 2026-10-06 | Один `statementDocument` на каждую таблицу `table_structure[i]`; `locator = "file:<имя json>;table:"` | §11: тип документа задаёт `label` таблицы; `locator` нужен ядру для привязки к `raw/` | смена формата `locator` | +| 2 | 2026-10-06 | Расширение входящего файла — суффикс `original_name` в нижнем регистре; без суффикса `RECOGNITION_FAILED` | ИС различает форматы по расширению; FileWorker делает так же | потеря заданий без расширения — их не бывает (ядро проверяет сигнатуру) | +| 3 | 2026-10-06 | Очистка не вызывается при `TIMEOUT` и транспортных ошибках | ИС может ещё писать ответ; FileWorker чистит только после результата | мусор в папке при таймаутах | +| 4 | 2026-10-06 | Исключение при разборе одной таблицы — предупреждение, остальные таблицы разбираются; исключение вне таблиц — `UNKNOWN_ERROR` воркера | §11.1 п. 9, поведение старого ядра по файлам | скрытая ошибка в предупреждении вместо конверта `error` | +| 5 | 2026-10-06 | Документ без строки-шапки отдаётся с синтетической шапкой и колонками без `period_date`, `needs_check` | рулинг §11.1 п. 3 | аналитик расставляет даты руками | +| 6 | 2026-10-06 | Выбор редакции: `report_date` → поздняя `period_date` → совпадения кодов | дата отчёта надёжнее кодов; коды — последний резерв | неверная редакция при мусорной дате; тогда предупреждение по кодам | +| 7 | 2026-10-06 | Паттерны дат остаются в коде, двойники и `label` — в yaml | регулярки с лямбдами в yaml нечитаемы; таблицы символов — данные | править даты — через код | +| 8 | 2026-10-06 | `OTHER` включается в `documents`, а не отбрасывается | как `OTHER` у Excel-пути 2b; ядро решает | лишний документ на экране проверки | +| 9 | 2026-10-06 | Эмулятор пересчитывает индекс хешей при изменении списка файлов каталога, а не на каждый файл | дёшево и достаточно для dev | изменённый, но не переименованный PDF не переиндексируется | +| 10 | 2026-10-06 | `label` колонки — сырой текст шапки с `\n` → пробел; `period_date` из `parse_date` | ядро показывает текст как есть | — | +| 12 | 2026-10-06 | `parse_amount` переносится дословно: скобка, распознанная как `}` (`(7744536}`), минус не даёт — сумма положительная с `is_recognized = false` | проверенный код; расширение множества скобок — отдельное правило §11.1 после проверки на стенде | знак потерян, аналитик видит `raw/` и подсветку | +| 11 | 2026-10-06 | Имя строки: из словаря редакции по коду; из OCR — только если кода нет в словаре | старое ядро, §11.1 п. 6 | расхождение имени словаря и формы клиента не видно аналитику (видно в `raw/`) | diff --git a/openspec/changes/slice-3a-ocr-normalizer/proposal.md b/openspec/changes/slice-3a-ocr-normalizer/proposal.md new file mode 100644 index 0000000..3aed2e8 --- /dev/null +++ b/openspec/changes/slice-3a-ocr-normalizer/proposal.md @@ -0,0 +1,62 @@ +# Proposal: Срез 3a — горячие папки как у armka_file_worker и нормализатор OCR → `statementDocument` v1.2 + +**Срез:** 3a, первая половина Среза 3 «ББ/ОФР: scan-gateway, маппинг форм, логические проверки» (`../docs/context/09-delivery-plan.md`). +**Репозиторий:** scan-gateway. **Issue:** RSHB/arm-scan-gateway#6. +**Соседние:** fixtures — пары PDF+JSON и `ocr/expected_normalize/` (issue заводится при плане); docs — bounded-PR без change +(`03-architecture.md`, OQ-137, §11.1 п. 6 и п. 9, новые OQ). Срез 3b (маппинг `statementDocument` в ядре, проверки §7, +подтверждение, чек-лист) — отдельный change в arm-core. + +## Why + +Срез 0 оставил scan-gateway с `NullNormalizer`: любой успешный ответ ИС Сканирование превращается в `NOT_IMPLEMENTED`. +Срез 2b даёт ядру `statementDocument` v1.2 из Excel; чтобы ядро в 3b маппило формы одним кодом для обоих источников, +PDF-путь должен отдавать тот же документ. Второй повод — 06.10.2026 в контуре проверен PDFWorker старого АРМ +(`RSHB/armka_file_worker`): его раскладка горячих папок ИС принята владельцем как эталон (OQ-137), а модуль очистки OCR +(`ofr_result_conversion`) разрешено переносить (§11.1 `05-domain-rules.md`, единственное исключение для `reference-old-arm`). + +## What Changes + +- **Горячие папки** (`src/gateway/`): входящий файл — `/.` (расширение исходного имени в нижнем + регистре) вместо `_`; временный `.part` по-прежнему в `` (решение владельца: в `Input` + временных файлов не класть, ИС может их подхватить), rename **без замены** — существующее назначение считается + доставленным. Новый метод `cleanup(job_id, ext)` под флагом `SCAN_CLEANUP` (по умолчанию `false`): удаляет + `Output//*.json`, каталог, входящий файл (и его `.done`-вариант эмулятора) и осиротевший `.part`; любое + удаление только при включённом флаге (на SMB может не быть прав). Ошибка удаления не меняет исход задания. +- **Эмулятор** (`src/scan_emulator/`): входящий `.`; пара фикстур ищется по **sha256 содержимого** среди + не-JSON файлов `SCAN_FIXTURES_DIR` (`aep_6.pdf` → `aep_6.json` + `aep_6_*.json`); промах → набор + `SCAN_EMULATOR_DEFAULT`, если задан, иначе ответ-ошибка `INVALID_DOCUMENT`. `.part`/`.tmp`/`.done` игнорируются. +- **Нормализатор** (`src/normalizer/ocr/`): `OcrNormalizer` реализует протокол `Normalizer` Среза 0 — конвейер чистых + функций `text` → `dates` → `amounts` → `layout` → `rows` → `header` → `document`; проверенные на стенде функции + старого ядра (двойники, `|`, разбор дат, суммы, раскладка с шапкой и без) переносятся дословно по §11.1; выход — + pydantic-модели контракта v1.2 (`StatementDocument`), по одному документу на таблицу `table_structure[i]`. + `checks` не считаются (их считает ядро в 3b для обоих источников). +- **Статусы**: ошибочные файлы — как в Срезе 0; из успешных собираются документы; ни одной таблицы → + `error RECOGNITION_FAILED`; всё распознано → `done`, иначе `needs_check`; причины — в `metrics.warnings`. +- **Правила как данные** (`api/rules/`): `statement_lines.yaml` с **редакциями** форм (`66n` до отчётности за 2024 + включительно — из `codes_mapping` старого ядра; `fsbu4` с 2025 — пустая, данные положит владелец), `ocr_lookalikes.yaml`, + `statement_labels.yaml`. Загружаются и валидируются при старте. +- **Настройки**: `SCAN_CLEANUP`, `SCAN_RULES_DIR`, `SCAN_EMULATOR_DEFAULT`; `SCAN_TMP_DIR` остаётся. Dev-compose: + `SCAN_CLEANUP=true`. +- **Тесты**: юнит по функциям, golden на `../fixtures/ocr/aep_3.json`, `aep_6.json` (эталоны `../fixtures/ocr/expected_normalize/`), + обновлённые тесты горячих папок, эмулятора, воркера; roundtrip с эмулятором. + +## Non-goals + +- Маппинг `statementDocument` в `financial_statement_*`, проверки §7, подтверждение документа, чек-лист, UI — Срез 3b. +- Изменение контракта (v1.2 заморожен): редакция формы в конверт не добавляется (OQ, кандидат в MINOR 1.3). +- Расшифровки без кода (OQ-36), склейка одной формы из нескольких таблиц (OQ-77), `DISCLOSURE` из OCR. +- Заполнение словаря редакции `fsbu4` и подбор пар PDF+JSON — владелец, отдельный PR в fixtures. +- Перенос обвязки старого ядра (`json_to_db_rows`, запись в БД, `pdfworker_results.py`). + +## Параграфы `05-domain-rules.md` + +§11 (структура ответа ИС, маппинг таблица → документ), §11.1 п. 1–9 (очистка OCR-текста), §12 п. 4 (разбор дат — +общий смысл с Excel-путём). Правила, которых в `05` нет и которые вводятся этим change'ом: редакции форм в справочнике +кодов (ASSUMPTION(OQ-12): состав 2025 года не задан), `is_recognized` колонок шапки. Таблицы DBML не затрагиваются +(сервис без БД). + +## Открытые вопросы, затрагиваемые change'ом + +OQ-137 (уточнить: `Tmp` остаётся, очистка под флагом), OQ-36 (строки без кода не отдаются), OQ-77 (одна форма двумя +таблицами — два документа с предупреждением), OQ-12 (редакции форм и §7), новые: права на удаление на SMB-шаре; +редакция формы в контракте; §7/§12 по редакциям для 2b и 3b. diff --git a/openspec/changes/slice-3a-ocr-normalizer/specs/image-recognition-gateway/spec.md b/openspec/changes/slice-3a-ocr-normalizer/specs/image-recognition-gateway/spec.md new file mode 100644 index 0000000..ad5f4ee --- /dev/null +++ b/openspec/changes/slice-3a-ocr-normalizer/specs/image-recognition-gateway/spec.md @@ -0,0 +1,243 @@ +# Spec Delta: image-recognition-gateway + +## Purpose + +Адаптер внешней ИС Сканирование (Content AI) для PDF/PNG/JPG: принимает и подтверждает задание из NATS без JetStream, +передаёт файл через горячие папки по раскладке проверенного в контуре PDFWorker (`RSHB/armka_file_worker`), ждёт ответ +не дольше таймаута, сохраняет сырой ответ в S3, нормализует `data_ocr` в `statementDocument` контракта v1.2 по §11 и +§11.1 `05-domain-rules.md` и отвечает ядру. Без БД и фронта. + +## MODIFIED Requirements + +### Requirement: Подтверждение запроса до обработки +Сервис SHALL быть подписан на `recognition.image.request` в queue group `scan-gateway`. Получив запрос, проходящий схему, +сервис SHALL до чтения файла из S3 опубликовать в `recognition.result` конверт `status = processing` +(`service.name = "scan-gateway"`, `Nats-Msg-Id = ack::`). Повторный запрос с `job_id`, который уже +обрабатывается или обработан этим процессом, SHALL получить повторный ack, и второй файл во входящий каталог MUST NOT записываться. + +#### Scenario: Ack раньше файла +- **WHEN** получен запрос для `aep_5.pdf` +- **THEN** конверт `processing` опубликован раньше, чем файл появился во входящем каталоге + +#### Scenario: Повторный запрос +- **WHEN** тот же запрос доставлен повторно во время ожидания ответа ИС +- **THEN** публикуется ещё один ack, во входящем каталоге остаётся один файл `.pdf` + +### Requirement: Передача файла в ИС Сканирование через горячие папки +После подтверждения сервис SHALL прочитать исходник из S3 (`s3.bucket/s3.key`) и записать его во входящий каталог как +`.`, где `` — расширение `original_name` запроса в нижнем регистре; запрос без расширения SHALL +завершаться конвертом `RECOGNITION_FAILED` без записи в горячую папку. Временный файл записи SHALL лежать в служебном +каталоге `<корень>//` (по умолчанию `Tmp`, на той же шаре/ФС, что `Input`; создаётся при записи) и +переименовываться в `Input` атомарно **без замены**: если `/.` уже существует, файл SHALL считаться +доставленным, временный файл MUST NOT его перезаписывать. Во входящем каталоге MUST NOT появляться недописанные и +временные файлы. Затем сервис SHALL опрашивать исходящий каталог `//` каждые +`SCAN_POLL_SECONDS` до `min(reply_deadline, старт + SCAN_TIMEOUT_SECONDS)`. ИС кладёт в этот каталог все распознанные +документы задания — по одному `*.json` на документ, набор появляется целиком и больше не меняется; пустой или +отсутствующий каталог означает ожидание. Ответ SHALL считаться готовым, когда в каталоге есть хотя бы один `*.json`, а +набор имён и размеров `*.json` не менялся `SCAN_SETTLE_SECONDS` (по умолчанию 2); готовый набор SHALL включать **все** +`*.json` каталога по возрастанию имени, остальные файлы игнорируются. + +#### Scenario: Файл положен во входящий каталог +- **WHEN** получен запрос для `aep_5.PDF` с `job_id = 3f1c…` +- **THEN** во входящем каталоге появляется `3f1c….pdf`, байт в байт равный объекту S3; во время записи во входящем каталоге нет временных файлов, а `Tmp/` существует + +#### Scenario: Назначение уже существует +- **WHEN** запрос для `aep_5.pdf` с `job_id = 3f1c…` обрабатывается, а `Input/3f1c….pdf` уже лежит (задание повторено ядром после потери ack в другом процессе) +- **THEN** существующий файл не перезаписан, задание продолжается опросом `Output/3f1c…/`, конверт `RECOGNITION_FAILED` не публикуется + +#### Scenario: Запрос без расширения +- **WHEN** получен запрос с `original_name = "scan"` без точки +- **THEN** опубликован конверт `error`, `error.code = RECOGNITION_FAILED`, сообщение о расширении; во входящем каталоге файла нет + +#### Scenario: Ответ из одного файла +- **WHEN** в `Output/3f1c…/` появляется один `*.json` и набор не меняется `SCAN_SETTLE_SECONDS` +- **THEN** опрос прекращается не позднее чем через `SCAN_SETTLE_SECONDS` + `SCAN_POLL_SECONDS` после первого опроса, увидевшего окончательный набор (отсчёт стабилизации — от этого опроса, а не от времени изменения файла), ответ из одного файла передаётся дальше по конвейеру + +#### Scenario: Ответ из нескольких файлов +- **WHEN** в `Output/3f1c…/` лежат `3f1c….json` и `3f1c…_ofr.json`, посторонний файл `readme.txt`, и набор не меняется `SCAN_SETTLE_SECONDS` +- **THEN** дальше по конвейеру передаются оба `*.json` по возрастанию имени, `readme.txt` игнорируется + +#### Scenario: Набор ещё пишется +- **WHEN** размер файла или число файлов в `Output/3f1c…/` менялось менее `SCAN_SETTLE_SECONDS` назад +- **THEN** ответ не считается готовым, опрос продолжается до дедлайна + +### Requirement: Результат по контракту +Сервис SHALL публиковать в `recognition.result` конверт по `recognition-result-message.schema.json` с +`service.name = "scan-gateway"`, `Nats-Msg-Id = result::`; при `status ∈ {done, needs_check}` — файл +результата (`recognition-result.schema.json`, `schema_version = "1.2"`) в `results/{file_id}/{job_id}/result.json` и `result_s3`; +при неудаче публикации SHALL повторить её до трёх раз. Нормализатор получает склеенный ответ и SHALL считать файл +успешным, если `error.code == ""` (поле `error` реального успешного ответа — `{"code": "", "message": ""}`, а не `null`; +отсутствующий или `null` `error` ошибкой не считается), и ошибочным, если `error.code` непуст, `parse_error` не `null` +либо корень ответа файла не является объектом JSON (ошибка этого файла — `INVALID_FORMAT`); успех MUST NOT определяться +проверкой «`error` не `null`». Если ошибочны **все** файлы — `status = error`, `error.code` и `error.message` берутся у +первого ошибочного файла по имени (для `parse_error` и не-объекта — `INVALID_FORMAT`); если код ИС этого файла не +входит в перечень кодов контракта, `error.code = UNKNOWN_ERROR`, а исходный код SHALL быть указан в `error.message`. +Если есть хотя бы один успешный файл — документы собираются из успешных файлов по требованию «Нормализация ответа ИС», +а статус определяется по требованию «Статус результата нормализации». В обоих случаях `metrics.warnings` SHALL +содержать по одной строке `<имя файла>: <код>: <сообщение>` на каждый ошибочный файл, где `<код>` — исходный код ИС как +получен (для `parse_error` и не-объекта — `INVALID_FORMAT`); если предупреждений нет, поле `warnings` SHALL быть опущено. + +#### Scenario: Успешный ответ ИС в Срезе 0 +- **WHEN** ответ из одного файла с `error = {"code": "", "message": ""}` и непустым `data_ocr` (по образцу `aep_6.json`) +- **THEN** начиная со Среза 3a конверт больше не `NOT_IMPLEMENTED`: поведение — по сценарию «Успешный ответ ИС» ниже + +#### Scenario: Успешный ответ ИС +- **WHEN** ответ из одного файла с `error = {"code": "", "message": ""}` и непустым `data_ocr` (`aep_6.json`) +- **THEN** конверт `status = needs_check`, `raw_s3_key = raw/.json`, `result_s3` указывает на файл результата с двумя документами (`BALANCE`, `INCOME`) + +#### Scenario: Ошибка ИС +- **WHEN** единственный файл ответа `.json` содержит `error.code = INVALID_DOCUMENT` +- **THEN** конверт `status = error`, `error.code = INVALID_DOCUMENT`, `error.message` из ответа, `raw_s3_key` заполнен, `metrics.warnings` содержит одну строку `.json: INVALID_DOCUMENT: <сообщение>` + +#### Scenario: Ошибка одного из документов +- **WHEN** ответ состоит из `.json` (успех, `aep_3.json`) и `_ofr.json` (`INVALID_DOCUMENT`, `aep_3_ofr.json`) +- **THEN** конверт `status = needs_check`, документы собраны из `.json`, `metrics.warnings` содержит строку `_ofr.json: INVALID_DOCUMENT: <сообщение>` и предупреждения нормализации + +#### Scenario: Все документы ошибочны +- **WHEN** оба файла ответа ошибочны (первый по имени — `INVALID_DOCUMENT`, второй — не JSON) +- **THEN** конверт `status = error`, `error.code = INVALID_DOCUMENT` (код первого ошибочного файла по имени), `metrics.warnings` содержит две строки; файл не JSON в warnings несёт код `INVALID_FORMAT` + +#### Scenario: Все файлы не JSON +- **WHEN** единственный файл ответа не разбирается как JSON +- **THEN** конверт `status = error`, `error.code = INVALID_FORMAT`, `metrics.warnings` содержит одну строку `.json: INVALID_FORMAT: <сообщение разбора>` + +#### Scenario: Корень ответа не объект +- **WHEN** файл ответа — корректный JSON, но корень — массив +- **THEN** этот файл ошибочен с кодом `INVALID_FORMAT`; остальные файлы оцениваются по общим правилам + +#### Scenario: Код ошибки ИС вне перечня контракта +- **WHEN** единственный файл ответа содержит `error.code = SOME_NEW_CODE` +- **THEN** конверт `status = error`, `error.code = UNKNOWN_ERROR`, `error.message` содержит `SOME_NEW_CODE`, строка в `metrics.warnings` — `.json: SOME_NEW_CODE: <сообщение>` + +### Requirement: Ошибки транспорта превращаются в результат +Сервис SHALL отвечать конвертом `status = error` с кодом по таблице: запрос не по схеме или `MAJOR` ≠ 1 → +`SCHEMA_MISMATCH` (ack не публикуется); объект S3 не читается → `FILE_READ_ERROR`; запись во входящий каталог не +удалась или у исходника нет расширения → `RECOGNITION_FAILED`; файл ответа ИС не разбирается как JSON → `parse_error` +этого файла, а если ошибочны все файлы — `INVALID_FORMAT`; ни одной таблицы не разобрано нормализатором → +`RECOGNITION_FAILED`; иное исключение → `UNKNOWN_ERROR`. Ошибки очистки горячей папки MUST NOT влиять на конверт. +Во всех случаях конверт SHALL быть опубликован, процесс MUST NOT завершаться. + +#### Scenario: Горячая папка недоступна +- **WHEN** каталог `SCAN_HOTFOLDER_PATH` не существует в момент обработки +- **THEN** конверт `RECOGNITION_FAILED` с сообщением о недоступности горячей папки; `/healthcheck.hotfolder = down` + +## ADDED Requirements + +### Requirement: Очистка горячей папки под флагом +При `SCAN_CLEANUP=true` после того, как готовый набор ответа прочитан и склеен в `raw/{job_id}.json` (независимо от +исхода нормализации), сервис SHALL удалить `//*.json`, сам каталог ``, входящий файл +`/.`, его вариант `/..done` и временный `/...part`, если они +существуют. При `SCAN_CLEANUP=false` (по умолчанию) сервис MUST NOT удалять ничего, включая временные файлы. При +`TIMEOUT`, `FILE_READ_ERROR`, `RECOGNITION_FAILED` записи очистка MUST NOT выполняться. Ошибка удаления SHALL быть +записана в лог одной строкой на задание и MUST NOT менять конверт, `metrics.warnings` и `/healthcheck`. + +#### Scenario: Очистка включена +- **WHEN** `SCAN_CLEANUP=true`, ответ на `3f1c….pdf` прочитан из `Output/3f1c…/` +- **THEN** после публикации конверта в горячей папке нет `Output/3f1c…/`, `Input/3f1c….pdf`, `Input/3f1c….pdf.done` и `Tmp/.3f1c….pdf.part` + +#### Scenario: Очистка выключена +- **WHEN** `SCAN_CLEANUP=false`, ответ прочитан, а в `Tmp/` остался осиротевший `.part` +- **THEN** все файлы остаются на месте, в логе одна строка с путём `.part` + +#### Scenario: Нет прав на удаление +- **WHEN** `SCAN_CLEANUP=true`, удаление `Output/3f1c…/3f1c….json` завершается `PermissionError` +- **THEN** конверт опубликован с тем же статусом, что и без очистки; в логе одна строка об ошибке удаления; `/healthcheck.hotfolder = ok` + +#### Scenario: Таймаут не чистит +- **WHEN** `SCAN_CLEANUP=true`, ответ не появился до дедлайна +- **THEN** опубликован `TIMEOUT`, входящий файл и каталог `Output//` (если есть) не тронуты + +### Requirement: Нормализация ответа ИС в `statementDocument` +Для каждого успешного файла ответа нормализатор SHALL разобрать `data_ocr.table_structure[i]` в отдельный +`statementDocument` по §11 и §11.1 `05-domain-rules.md`: +- `document_type` — по нормализованному `label.form_name` таблицы через `statement_labels.yaml`; если `label` не + сопоставлен — по первой цифре кодов строк данных (`1` → `BALANCE`, `2` → `INCOME`); иначе `OTHER`. Если `label` и коды + дают разный тип — тип по `label`, предупреждение; `locator = "file:<имя json>;table:"`. +- Раскладка колонок — по строке с ячейкой «код…» (`build_layout`); повторная шапка перезаписывает раскладку; без шапки — + `infer_layout` по данным (столбец с наибольшим числом кодов из справочника, наименование — левее, значения — правее, + где суммы не реже мусора или столбец пуст), шапка синтезируется, предупреждение. Ни шапки, ни столбца кода — таблица + пропускается с предупреждением. +- `columns` — колонки значений раскладки по возрастанию `column_index` исходной таблицы, перенумерованные с 0; + `label` — текст ячейки шапки (`\n`/`\t` → пробел; у синтетической шапки — пустая строка), `period_date` — `parse_date` + текста (квартал/полугодие/N месяцев/диапазон → последний день последнего месяца), `null`, если не разобрался. +- `lines` — только строки данных с кодом: `line_code` — очищенный текст ячейки кода (`clean_value`); строка без кода и + строка с нечисловым кодом (повторный заголовок) пропускаются. `line_name` — из справочника редакции по коду; если кода + нет в справочниках — текст ячейки наименования. `line_code_confidence` — `confidence` ячейки кода, если очищенный текст + равен сырому и код есть в справочнике, иначе `min(confidence, 99)`; `line_name_confidence` — то же для словарного + имени, иначе `confidence` ячейки наименования. +- `values` — по одному на колонку: `amount` — `parse_amount` (запятая → точка, скобки → минус, пробелы и прочие символы + отбрасываются, несколько точек — разделители тысяч; прочерк/пусто → `null`); `string_value` — `clean_value` сырого + текста (`null`, если пусто); `confidence` — ячейки; `is_recognized = confidence == 100 и разбор не отбрасывал символов`; + ячейки под колонкой нет → `amount = null`, `string_value = null`, `confidence = 0`, `is_recognized = false`. +- `header` — `form_name` из `label` таблицы; `organization_name` и `organization_name_confidence` из `data_ocr.organization` + (`\n` → пробел); `inn` — только цифры из `data_ocr.inn.form_name` (`null`, если цифр нет), `inn_confidence = confidence`, + если сырой текст состоял только из цифр, иначе `min(confidence, 99)`; `units` — `clean_value(units.form_name)`; + `report_date_text` — сырой текст `date.form_name`, `report_date` — `parse_date` после `fix_lookalikes` + (`null`, если текст не дата); `okud`, `okpo`, `okopf`, `okfs`, `address` — `null` (ИС их не отдаёт). +- `checks` MUST NOT присутствовать. +Двойники букв и цифр (`fix_lookalikes`) SHALL применяться к тексту кодов, сумм, дат и ИНН только вплотную к цифрам; +`|` SHALL считаться разделителем клеток, если первая строка значения состоит из цифр, пробелов и знаков пунктуации. + +#### Scenario: Чистый скан с шапкой (`aep_6.json`) +- **WHEN** нормализуется `aep_6.json` (две таблицы: «Бухгалтерский баланс» 122 строки со строкой-шапкой «Наименование показателя / Код / На 30 июня 2025 г / На 31 декабря 2024 г. / На 31 декабря 2023 г.» и «Отчет о финансовых результатах» 49 строк) +- **THEN** два документа: `BALANCE` с `columns` `[{0, "На 30 июня 2025 г", 2025-06-30}, {1, "На 31 декабря 2024 г.", 2024-12-31}, {2, "На 31 декабря 2023 г.", 2023-12-31}]`, строка `1105` и `1110` присутствуют, строка «в том числе: …» без кода отсутствует; `INCOME` с колонками «За январь - июнь 2025 г.» → `2025-06-30` и «За январь - июнь 2024 г.» → `2024-06-30`, строка `2110` с `values[0].amount = 13070`; `header.units = "тыс. руб."`, `header.inn = null` (текст `+`), `header.report_date = null` (текст — название организации); статус `needs_check` + +#### Scenario: Зашумлённый скан без шапки (`aep_3.json`) +- **WHEN** нормализуется `aep_3.json` (таблица «Бухгалтерский баланс» без строки-шапки, коды в `column_index = 1` с мусором вида `изо :`, ИНН `3|1 21 2| о! О' 0 0; 3: 51`, дата `2|0|2|4|`) +- **THEN** столбец кода выведен по данным, документ `BALANCE` с синтетической шапкой, `columns` без `period_date` и предупреждение «шапка синтезирована»; `header.inn = "3121200351"`, `inn_confidence < 100`; `header.report_date = 2024-12-31`; строка `1120` присутствует; статус `needs_check` + +#### Scenario: Суммы в скобках и с пробелами (`aep_3.json`, ОФР) +- **WHEN** ячейка значения содержит `(7744536}` с `confidence 88.9`, другая — `(6032409)` с `confidence 100`, третья — `13 070` с `confidence 100` +- **THEN** `amount` соответственно `7744536` (закрывающая скобка не распознана, минус не выставлен, `is_recognized = false`), `-6032409` (`is_recognized = true`), `13070` (`is_recognized = true`); `string_value` — очищенный текст (`7744536`, `6032409`, `13 070`) + +#### Scenario: Тип по кодам при зашумлённом label +- **WHEN** `label.form_name` таблицы — `Бvxгалтерский баланс` (не сопоставлен), коды строк `1110…1700` +- **THEN** `document_type = BALANCE`, предупреждение «тип определён по кодам» + +#### Scenario: Таблица без столбца кода +- **WHEN** в таблице нет строки с ячейкой «Код» и ни в одном столбце нет кодов из справочника +- **THEN** таблица пропущена, предупреждение `<имя json>: table:: нет шапки и столбца кода`; остальные таблицы файла разобраны + +### Requirement: Справочники нормализации — данные с редакциями форм +Правила SHALL лежать в `api/rules/` (`SCAN_RULES_DIR`) и загружаться один раз при старте с pydantic-валидацией; битый +файл SHALL прерывать старт сервиса. `statement_lines.yaml` SHALL содержать список `editions` с полями `id`, +`valid_from`/`valid_until` (даты отчёта) и `lines` (код → наименование); редакция `66n` (до 2024-12-31) заполнена, +`fsbu4` (с 2025-01-01) присутствует и может быть пустой. Редакция документа SHALL выбираться по `header.report_date`, +при его отсутствии — по самой поздней `period_date` колонок, при отсутствии обеих — по числу совпадений кодов с +предупреждением «редакция определена по кодам». Пустая выбранная редакция → предупреждение «редакция не +заполнена», имена строк — из OCR. Код, отсутствующий в выбранной редакции, но присутствующий в другой → предупреждение +«код <код> из редакции ». `ocr_lookalikes.yaml` SHALL задавать таблицу двойников; `statement_labels.yaml` — +нормализованные подстроки `label` → `BALANCE`/`INCOME`. Коды справочника SHALL быть строками из 4–5 цифр без дублей. + +#### Scenario: Редакция по дате отчёта +- **WHEN** `header.report_date = 2024-12-31`, строка с кодом `1150` +- **THEN** `line_name = "Основные средства"` из редакции `66n`, предупреждений о редакции нет + +#### Scenario: Редакция 2025 не заполнена +- **WHEN** `report_date = null`, самая поздняя `period_date = 2025-06-30`, редакция `fsbu4` пуста +- **THEN** имена строк взяты из ячеек OCR, предупреждение `редакция fsbu4 не заполнена`, статус `needs_check` + +#### Scenario: Битый справочник +- **WHEN** в `statement_lines.yaml` код `11A0` +- **THEN** сервис не стартует, в логе ошибка валидации с именем файла и кодом + +### Requirement: Статус результата нормализации +Если из успешных файлов не собран ни один документ — `status = error`, `error.code = RECOGNITION_FAILED`, +`error.message = "ни одной таблицы не разобрано"`, причины по таблицам — в `metrics.warnings`. Если документы есть — +`status = done` только когда у всех документов `inn_confidence`, `organization_name_confidence` равны 100, +`report_date` и все `period_date` заполнены, все `line_code_confidence` и `line_name_confidence` равны 100, все значения +`is_recognized`, тип совпал с `label`, редакция определена по дате и заполнена, и нет предупреждений уровня таблицы; +иначе `status = needs_check`. Предупреждения уровня таблицы SHALL иметь вид `<имя json>: table:: <текст>`, уровня +файла — `<имя json>: <текст>`; `metrics.rows` — сумма строк всех документов. + +#### Scenario: Ни одной таблицы +- **WHEN** единственный успешный файл содержит `table_structure: []` +- **THEN** конверт `status = error`, `error.code = RECOGNITION_FAILED`, `raw_s3_key` заполнен + +#### Scenario: Всё распознано +- **WHEN** синтетический ответ, где все `confidence = 100`, тексты чистые, шапка есть, даты колонок и отчёта разобраны, `report_date = 2024-12-31`, коды из редакции `66n` +- **THEN** `status = done`, поле `metrics.warnings` отсутствует + +#### Scenario: Исключение в одной таблице +- **WHEN** разбор `table_structure[1]` бросает исключение, `table_structure[0]` разбирается +- **THEN** один документ, предупреждение `<имя json>: table:1: BACKEND_PARSING_ERROR: <класс>: <сообщение>`, статус `needs_check` diff --git a/openspec/changes/slice-3a-ocr-normalizer/specs/scan-emulator/spec.md b/openspec/changes/slice-3a-ocr-normalizer/specs/scan-emulator/spec.md new file mode 100644 index 0000000..49fe895 --- /dev/null +++ b/openspec/changes/slice-3a-ocr-normalizer/specs/scan-emulator/spec.md @@ -0,0 +1,82 @@ +# Spec Delta: scan-emulator + +## Purpose + +Эмулятор ИС Сканирование для разработки и тестов: воспроизводит протокол горячих папок (раскладка FileWorker: +`.` → `Output//*.json`) и формат ответов Content AI, отдавая реальные ответы из `../fixtures/ocr` по +содержимому входящего файла, чтобы конвейер `scan-gateway` проверялся без доступа к банковской системе. + +## RENAMED Requirements +- FROM: `### Requirement: Ответы берутся из фикстур по имени` +- TO: `### Requirement: Ответы берутся из фикстур по содержимому входящего файла` + +## MODIFIED Requirements + +### Requirement: Эмулятор отвечает по протоколу горячих папок +Процесс `python -m src.scan_emulator` SHALL опрашивать входящий каталог каждую секунду; файлы с суффиксами `.part`, +`.tmp`, `.done` и файлы, начинающиеся с `.`, SHALL игнорироваться. Для нового файла `.` через +`SCAN_EMULATOR_DELAY` секунд (по умолчанию 2) эмулятор SHALL создать каталог `//` с набором ответов (по +одному файлу на документ); каталог SHALL появиться в `` атомарно целиком: набор записывается во временный +каталог эмулятора и переименовывается. После обработки входящий файл SHALL быть переименован в `..done`, +чтобы не обрабатываться повторно. + +#### Scenario: Один файл +- **WHEN** во входящем каталоге появляется `3f1c….pdf` с содержимым `aep_5.pdf` +- **THEN** через ≤ 5 с существует `Output/3f1c…/3f1c….json`, а входящий файл переименован в `3f1c….pdf.done` + +#### Scenario: Набор появляется целиком +- **WHEN** эмулятор записывает набор из нескольких файлов +- **THEN** каталог `Output/3f1c…/` либо не существует, либо уже содержит весь набор; частичного набора в `Output` нет + +#### Scenario: Временные файлы шлюза игнорируются +- **WHEN** во входящем каталоге лежат `.3f1c….pdf.part` и `3f1c….pdf.done` +- **THEN** эмулятор не создаёт для них ответов + +### Requirement: Ответы берутся из фикстур по содержимому входящего файла +Эмулятор SHALL индексировать `SCAN_FIXTURES_DIR`: для каждого файла, не являющегося `*.json`, вычисляется sha256 → +основа имени `` (имя без расширения; регистр расширения не важен); индекс SHALL пересчитываться, когда меняется +список файлов каталога. Для входящего файла SHALL вычисляться sha256 содержимого; при совпадении эмулятор SHALL собрать +**все** файлы `.json` и `_*.json`: `.json` записывается как `.json`, `_.json` — как +`_.json`, в каждом `file_uid = `. Фикстуры вида `<другие символы>.json` без разделителя `_` +(например, `aep_30.json` для `aep_3`) MUST NOT попадать в набор. При промахе по хешу и заданном +`SCAN_EMULATOR_DEFAULT=` с существующим набором эмулятор SHALL отдать набор ``; лог SHALL сообщать, что +пара найдена по умолчанию. + +#### Scenario: Точное имя +- **WHEN** входящий файл называется `.pdf`, а в фикстурах есть `aep_5.pdf` и `aep_5.json` +- **THEN** имя входящего файла не используется для поиска: пара определяется только по содержимому (сценарий «Пара по содержимому») + +#### Scenario: Пара по содержимому +- **WHEN** входящий файл байт в байт равен `aep_5.pdf`, в фикстурах есть `aep_5.json` +- **THEN** в `Output//` один файл `.json`, равный `aep_5.json` с заменённым `file_uid` + +#### Scenario: Суффикс +- **WHEN** входящий файл равен `aep_8.pdf`, в фикстурах есть `aep_8_form4.json` +- **THEN** в `Output//` файл `_form4.json`, равный `aep_8_form4.json` с заменённым `file_uid` + +#### Scenario: Несколько файлов на одно задание +- **WHEN** входящий файл равен `aep_3.pdf`, в фикстурах есть `aep_3.json` и `aep_3_ofr.json` +- **THEN** в `Output//` два файла: `.json` и `_ofr.json`, в обоих `file_uid = ` + +#### Scenario: Чужой префикс +- **WHEN** входящий файл равен `aep_3.pdf`, в фикстурах есть также `aep_30.json` +- **THEN** `aep_30.json` в набор не попадает + +#### Scenario: Промах с набором по умолчанию +- **WHEN** `SCAN_EMULATOR_DEFAULT=aep_6`, входящий файл — произвольный PDF, которого нет в фикстурах +- **THEN** в `Output//` набор `aep_6` (`.json` из `aep_6.json`), в логе отметка «по умолчанию» + +#### Scenario: Имя входящего файла не влияет +- **WHEN** входящий файл называется `.pdf`, а его содержимое равно `aep_6.pdf` +- **THEN** отдан набор `aep_6` + +### Requirement: Неизвестный файл — ошибка в формате Content AI +Если пара по содержимому не найдена и `SCAN_EMULATOR_DEFAULT` не задан (или его набор отсутствует), эмулятор SHALL +записать один ответ `.json` в формате реальных ответов-ошибок ИС (`aep_5.json`, `aep_8_form4.json`): +`file_uid = `, `error = {"code": "INVALID_DOCUMENT", "message": ": нет пары по содержимому в +фикстурах"}`, `data_ocr` — **объект** с пустыми полями (`label`, `organization`, `inn`, `units`, `date` — `{"form_name": +"", "confidence": 0}`) и `table_structure: []`. + +#### Scenario: Нет пары +- **WHEN** входящий файл — произвольный PDF, `SCAN_EMULATOR_DEFAULT` не задан +- **THEN** ответ содержит `error.code = INVALID_DOCUMENT`, `data_ocr` — объект с пустыми полями и `table_structure: []`; `scan-gateway` публикует конверт с тем же кодом diff --git a/openspec/changes/slice-3a-ocr-normalizer/tasks.md b/openspec/changes/slice-3a-ocr-normalizer/tasks.md new file mode 100644 index 0000000..741ef31 --- /dev/null +++ b/openspec/changes/slice-3a-ocr-normalizer/tasks.md @@ -0,0 +1,5 @@ +# Tasks: Срез 3a — горячие папки и нормализатор OCR + +Заполняется планом (`writing-plans`) после одобрения спеки владельцем. Репозиторий — scan-gateway; команды — из `api/`. + +- [ ] 0.1 План реализации написан и одобрен; задачи перенесены сюда из плана