arm-scan-gateway/CLAUDE.md

CLAUDE.md — scan-gateway

Общий контекст системы — ../CLAUDE.md и ../docs/. Этот файл — только про этот сервис.

Что это

Адаптер внешней ИС Сканирование (Content AI) для PDF/PNG/JPG: положить файл во «Входящие» как <job_id>.<ext> (расширение original_name в нижнем регистре; .part пишется в SCAN_TMP_DIR, по умолчанию Tmp, на той же ФС/шаре и публикуется без замены), забрать все Исходящие/<job_id>/*.json (ИС кладёт по одному json на каждый распознанный документ), склеить и сохранить сырой ответ в S3 raw/{job_id}.json (в БД не регистрируется), очистить горячую папку (только при SCAN_CLEANUP=true), нормализовать в ../docs/contracts/recognition-result.schema.json (statementDocument v1.2: по одному документу на таблицу table_structure[i]), опубликовать recognition.result (done / needs_check / error). Таймаут → ошибка TIMEOUT по min(reply_deadline, старт + SCAN_TIMEOUT_SECONDS=300), старт — запись файла во «Входящие». Нет доступа к БД.

Правила

• Нормализация по фактическим ответам ../fixtures/ocr/aep_*.json, а не по ТЗ (OQ-13, OQ-14), по 05-domain-rules.md §11 и §11.1: правило, которого там нет, не реализуется, а поднимается вопросом. Функции очистки (src/normalizer/ocr/) перенесены из старого ядра дословно (единственное исключение для reference-old-arm): при правке сначала разберись, что делает источник; расхождения с ним — только решением, записанным в openspec/changes/archive/2026-10-07-slice-3a-ocr-normalizer/design.md (таблица «Decisions made without discussion»: №12, №13, №20, №22, №30 — Money не больше двух знаков после запятой, №31 — тексты дат длиннее 200 символов не разбираются). Функции ocr/* — чистые: без I/O, без настроек, без логов.
• Справочники — данные: api/rules/*.yaml (редакции форм 66n / fsbu4, двойники, label → тип), правила не зашиваются в код. fsbu4 пока пуста — данные кладёт владелец, код при этом не меняется.
• Статус: done только когда всё распознано (confidence 100, даты разобраны, редакция определена по дате и заполнена, нет предупреждений) и ни один файл набора не ошибочен (№28); иначе needs_check; ни одной таблицы → error RECOGNITION_FAILED. Предупреждения — строки metrics.warnings (<имя json>: table:<i>: <текст>); при изменении их текстов обнови README (раздел «Предупреждения») и golden.
• Эталоны нормализатора лежат в fixtures (../fixtures/ocr/expected_normalize/): make golden-update, diff смотреть в fixtures и объяснять; эталоны меняются отдельным PR fixtures.
• Горячие папки (раскладка FileWorker): имя <job_id>.<ext>, .part только в Tmp, запись без замены (os.link / smbclient.rename; существующее назначение = «доставлено»). .part, ставший целью публикации, снимается самой записью независимо от флага (№26); любое другое удаление (ответ, входящий файл, .done, осиротевшие .part) — только при SCAN_CLEANUP=true и только после сохранения raw/ (не при TIMEOUT, FILE_READ_ERROR, ошибке записи во входящий каталог или raw/). Ошибка удаления — одна строка лога, конверт не меняется. Нет расширения у original_name → RECOGNITION_FAILED.
• Набор ответа готов по settle: есть *.json, а имена и размеры не менялись SCAN_SETTLE_SECONDS (по умолчанию 2; отсчёт от первого опроса, увидевшего окончательный набор). Не ждать «один файл <UUID>.json».
• Склеенный raw/{job_id}.json: {"job_id", "files": [{"name", "response", "parse_error"}, ...]}, все *.json каталога по возрастанию имени; нормализатор получает ровно эту структуру.
• Успех файла ответа — error.code == "" (error при этом не null!), ошибка — непустой error.code, parse_error или корень ответа не объект (INVALID_FORMAT). Проверка error is None для реального ответа неверна. Ошибочные файлы — в metrics.warnings (<имя>: <код>: <сообщение>); все файлы ошибочны → код первого; есть успешный — документы из успешных файлов, статус не выше needs_check (№28). NOT_IMPLEMENTED сервис больше не публикует (NullNormalizer остался только для тестов воркера).
• В одном json может быть несколько таблиц разных форм (баланс, ОФР); тип документа задаёт label таблицы (запасной путь — коды строк). checks в документах не передаются — их считает ядро (Срез 3b).
• Dev-режим: эмулятор ИС Сканирование (make emulator, то же, что python -m src.scan_emulator из api/; в контейнере — тот же образ с command: python -m src.scan_emulator): по входящему <uuid>.<ext> считает sha256 содержимого, находит пару в SCAN_FIXTURES_DIR (PDF + <имя>.json + <имя>_*.json) и кладёт в Output/<uuid>/ набор как <uuid>.json / <uuid>_<суффикс>.json (атомарно, через Tmp). Промах → набор SCAN_EMULATOR_DEFAULT, иначе ответ-ошибка INVALID_DOCUMENT. Имя входящего файла на выбор пары не влияет.
• Описание сервиса, протокол горячих папок, нормализация, env, запуск и коды ошибок — README.md; требования и решения Среза 3a — openspec/changes/archive/2026-10-07-slice-3a-ocr-normalizer/ (design.md, specs/), Среза 0 — openspec/changes/archive/2026-10-04-slice-0-skeleton/.

Соглашения шаблона

Тот же шаблон команды, что у arm-core («Шаблон FastAPI», RSHB/DKB_ARMKA@ba172f8); общие соглашения — ../docs/context/03-architecture.md, «Соглашения шаблона команды». Репозиторий приведён к сервису без фронта и без БД, но с SMB. Команды make — из корня репозитория (рецепты сами заходят в api/), pytest — из api/.

Оставлено от шаблона: api/run_server.py (точка входа платформы, SERVER__HOST/PORT), api/src/app.py (lifespan: SMB-сессия, S3, NATS, воркер; GET /healthcheck; gzip/proxy middleware), core/config.py (pydantic-settings, OPENBAO__MINIO__*, OPENBAO__NATS__*, OPENBAO__SMB__*, DEBUG), core/exception_handlers.py (подключается в create_app), api/pytest.ini, api/requirements*.txt (включая smbprotocol), raisa_config.yml, setup/setup.sh + setup/pip.conf (без npm-шага). Заглушки шаблона без кода сервиса: src/api/ (пустой router, пустые dependencies/ и endpoints/), src/schemas/ и src/services/ (пустые пакеты), common/exceptions.py (NotFoundError, CouldntCreateError нигде не используются), core/logger.py (setup_logger нигде не вызывается).

Вырезано (Срез 0): web/, setup/.npmrc; из app.py — mount SPA, CORS, raisa_fastapi_protected_api; db/, models/, repositories/, alembic/; OPENBAO.DATABASE; из requirements.txt — asyncpg, SQLAlchemy, alembic, raisa_fastapi_protected_api; шаблонные core/nats_callback.py и README.md заменены своими.

Добавлено:

• api/src/gateway/ — горячие папки: протокол HotFolder (hotfolder.py: LocalHotFolder, SettleTracker, inbox_name; методы put, poll, cleanup, healthy), smb.py (SmbHotFolder, импортируется лениво), фабрика create_hotfolder; merge.py — склейка файлов ответа в raw/; референс поллинга — ../reference-old-arm/api/src/core/PDFWorker.
• api/src/core/ — worker.py (задание: проверка → ack → S3 → горячая папка → опрос → raw/ → очистка (под флагом) → нормализатор → результат; ошибки по таблице D-7), nats.py (core NATS без JetStream, queue group scan-gateway, публикация с повторами), clients.py (S3Storage), health.py (nats/hotfolder в /healthcheck).
• api/src/normalizer/ — протокол Normalizer, NormalizeOutcome, NullNormalizer (заглушка Среза 0, остаётся для тестов воркера) и OcrNormalizer (Срез 3a, подключён в create_app).
• api/src/normalizer/ocr/ (Срез 3a) — конвейер чистых функций: text.py → dates.py → amounts.py → layout.py → rows.py → header.py → document.py; __init__.py — OcrNormalizer (обход файлов склейки, статус, metrics).
• api/src/normalizer/rules.py — load_rules(SCAN_RULES_DIR): pydantic-модели справочников, OcrRules (выбор редакции по дате / по кодам); api/rules/ — statement_lines.yaml (редакции 66n, fsbu4), ocr_lookalikes.yaml, statement_labels.yaml.
• api/src/contract/ + api/contracts/ — pydantic-модели и байт-в-байт копии схем ../docs/contracts; идентичность проверяет api/tests/unit/test_contract.py (входит в make check).
• api/src/scan_emulator/ — эмулятор ИС Сканирование (SCAN_FIXTURES_DIR, SCAN_EMULATOR_DELAY, SCAN_EMULATOR_POLL_SECONDS, SCAN_EMULATOR_DEFAULT; пара по sha256 содержимого); в compose контейнера пока нет — make emulator.
• Makefile (venv, lint, test, test-integration, check, docker-build, check-full, up, emulator, golden-update), api/pyproject.toml (ruff, mypy), Dockerfile + .dockerignore (один образ: шлюз и эмулятор), api/.env.example, api/.env.test.
• Тесты: api/tests/unit/ (в том числе unit/normalizer/ — юниты по модулям ocr/ и golden), api/tests/integration/ (маркеры integration, fixtures; test_roundtrip.py — сквозной сценарий с эмулятором и SCAN_CLEANUP); api/tests/golden_update.py — сбор склейки реального ответа и запись эталонов в ../fixtures/ocr/expected_normalize/ (make golden-update); перед PR — make check-full.