Add EasyEDA Pro EPRO2 source ingestion (3/5 batch test)
打通 oshwhub origin=pro 现代 Pro 3.x 工程的 EPRO2 源抓取链路。3/5
modern Pro 项目完整解出（共 8423 docs / 542 MB plain）：
- X86 主板 7374 docs / 481 MB plain (chain=85, editor=3.2.15)
- 220V 桌面电源 771 docs / 26 MB plain (chain=28, editor=3.2.69)
- ESP-VoCat 278 docs / 7.5 MB plain (chain=12, editor=3.2.91)
剩余 2/5 是 legacy Pro 2.x（立创泰山派 RK3566、梁山派），项目 meta
返回 branch_uuid=null + editorVersion="2.1.40"，没有 git-style chain
模型，文档直接挂在 boards[].sch/pcb 字段上，访问端点暂未挖通；元
数据落库 metadata.json，source/ 留空。
实现要点：
- fetch_pro_source(): 4 步流程（project → branch HEAD → structures
→ /branches/<B>/histories/<HEAD> 即返完整 chain，无需 ?limit 批量
端点）+ 逐 history 走 AES-128-GCM 解密（16 字节 IV，pycryptodome
原生支持）+ gunzip + 按 DOCHEAD 切 per-doc EPRO2 流
- EPRO2 解析坑：行末单 `|` 是行终止符不是字段分隔符，必须先
rstrip("|") 再 split("||")，否则 payload JSON 解析失败 silently
swallow 导致 cur_doc 不设 → 第一轮 X86 板 7374 docs 抽出来只剩 2 个
- docType 实测远不止 BOARD/PCB/SCH/SCH_PAGE，还含 SYMBOL /
FOOTPRINT / DEVICE / BLOB / FONT / CONFIG —— Pro 把组件库快照也
随项目存到 history，下游做 EPRO2→KiCad 转换时必须先把这些 lib
doc 加载进 symbol cache
- Pro 2.x vs 3.x 是不同存储模型 —— 3.x 走 branch 模型（已打通），
2.x 走 boards[] 直链（未打通）；判别条件：project meta 的
branch_uuid 是否为 null
CLI 新增 --with-pro-source / --backfill-pro-source / --pro-cookie /
--origin（按 origin 字段服务端过滤 listing API），crawl_one() 按
origin=pro 自动 dispatch 到 Pro fetcher。
schema：docType 类型从 integer 放宽到 [integer, string, null]
（兼容 Std 的 1/3 + Pro 的 BOARD/SCH 等），新增 message_count 字段。
License 注意：本批 5 个项目全是 NC-SA / GPL，未达 Pro source doc
§4.2 Forge 白名单（MIT/BSD/Apache/CC0/CC-BY/CERN-OHL-P/Unlicense）。
按 CLAUDE.md "研究用、不再分发" 原则 raw 入库无碍；Forge 投影时
另过白名单。
详细技术细节见 docs/sources/easyeda_pro_source.md rev 3 + log.md。
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
This commit is contained in:
97
log.md
97
log.md
@@ -4,6 +4,103 @@
|
||||
|
||||
---
|
||||
|
||||
## 2026-04-28 21:35 Pro 工程源（EPRO2）批量抓取打通：3/5 modern Pro 项目 ✅，2/5 legacy 2.x ❌
|
||||
|
||||
**Claude 会话**
|
||||
|
||||
承接刚做完 Std 链路；用户给了浏览器 HAR (`tmp/prodownload.har`，174 请求，目标 = 立创·泰山派 RK3576 现代 Pro 项目) 验证 endpoint 形态，要求"找 5 个专业版项目，看能不能批量抓 EPRO2"。
|
||||
|
||||
### 5 个候选
|
||||
|
||||
按 `oshwhub /api/project?origin=pro&sort=hot` 取前 5（详情 API 拿 license）：
|
||||
|
||||
| # | UUID | License | 项目 | 结果 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | `b77840665e2e...` | GPL 3.0 | 【全网首发】X86电脑主板 | ✅ |
|
||||
| 2 | `7360e73de5dd...` | GPL 3.0 | 立创·泰山派 RK3566 开发板 | ❌ legacy 2.x |
|
||||
| 3 | `0c4675983733...` | GPL 3.0 | 立创·梁山派开发板 | ❌ legacy 2.x |
|
||||
| 4 | `dc91a91e6693...` | CC BY-NC-SA 4.0 | （高颜值）220V 300W 桌面电源 | ✅ |
|
||||
| 5 | `ba64bd6f1c9c...` | GPL 3.0 | ESP-VoCat 喵伴 AI 萌宠 | ✅ |
|
||||
|
||||
License 全是限制性（CC-NC-SA / GPL）— Pro 用户群是立创团队/教育机构，默认上 NC-SA。和用户对齐：本仓库为研究用、不再分发，license 字段忠实落库；下游 Forge 投影时再用白名单过滤。
|
||||
|
||||
### 关键发现：Pro 2.x ≠ Pro 3.x（重要！）
|
||||
|
||||
立创开发板的旗舰板（RK3566 / 梁山派）抓 `/api/v4/projects/<uuid>` 返回 **`branch_uuid: null`** + `editorVersion: "2.1.40"`。
|
||||
|
||||
这是 **Pro 编辑器旧版（2.x）**：没有 git-style branch/history 模型，文档直接通过 `boards: [{sch, name, pcb}]` 字段定位。我们之前调研的全是 3.x（泰山派 RK3576 / 无界 PLUS），3.x 才有 `/branches/<B>/structures` + `/histories/<H>` 全套。
|
||||
|
||||
旧版的访问端点暂未挖通：`/api/v4/documents/<doc>` 404；`/api/documents/<doc>` 401；`/api/v4/projects/<P>/snapshots` 200 但响应体是 project meta 不是 doc。需要录一份"在 pro.lceda.cn 编辑器里打开 RK3566"的 HAR 才能继续。已记入 `docs/sources/easyeda_pro_source.md §1.1`。
|
||||
|
||||
### EPRO2 解析坑：行末单 `|`（找了 2 轮才看到）
|
||||
|
||||
第一轮跑 5 个项目结果：X86 board 7374 docs 抽出来只剩 **2 个**，220V 电源和 ESP-VoCat 都是 **0 docs**。
|
||||
|
||||
定位过程：
|
||||
1. 直接 dump 一条 history 的 lines，看到 DOCHEAD payload **行末有单个 `|`**，例如 `{"docType":"BOARD",...,"version":"..."}|`。
|
||||
2. 我的解析 `json.loads(ln.split(b"||")[1])` 拿到带尾随 `|` 的字符串 → `Extra data: line 1 column 127`。
|
||||
3. silently swallow exception → `cur_doc` 没设 → 全 chain 的 message 被丢弃。
|
||||
4. 修复：解析前先 `ln.rstrip(b"|").split(b"||")`。已在 `docs/sources/easyeda_pro_source.md §3.1` 记录"行末单 `|` 是行终止符不是字段分隔符"。
|
||||
|
||||
### 修复后批量结果
|
||||
|
||||
3 个 modern Pro 项目完整解出来：
|
||||
|
||||
| 项目 | chain | docs | plain | blob | editor |
|
||||
|---|---|---|---|---|---|
|
||||
| ESP-VoCat | 12 | 278 | 7.5 MB | 1.1 MB | 3.2.91 |
|
||||
| 220V 电源 | 28 | 771 | 26.3 MB | 7.4 MB | 3.2.69 |
|
||||
| X86 主板 | 85 | 7374 | **481 MB** | 61 MB | 3.2.15 |
|
||||
|
||||
X86 主板（5123 FOOTPRINT + 1243 DEVICE + 837 SYMBOL = 7203 个组件库 doc）数据量惊人，是个超复杂工程。
|
||||
|
||||
### docType 取值表（实测扩展）
|
||||
|
||||
之前 doc 只列了 `BOARD/PCB/SCHEMATIC/SHEET`。实测 EPRO2 流里 docType 实际取值更细：
|
||||
|
||||
- 用户级文档：`BOARD`（板物理边框）+ `PCB`（板内容）+ `SCH`（原理图）+ `SCH_PAGE`（子图）。一个完整 PCB 板 = 一对 `BOARD` + `PCB`，不是命名变化。
|
||||
- 组件库 / 资源：`SYMBOL` / `FOOTPRINT` / `DEVICE` / `BLOB` / `FONT` / `CONFIG`。每个独特组件 / 字体 / 项目配置都是独立 doc。
|
||||
- 抓 EPRO2 = 抓项目 + **完整的局部组件库快照**。下游做 EPRO2 → KiCad 转换时必须先把 lib doc 加载进 symbol cache。
|
||||
|
||||
已更新到 `docs/sources/easyeda_pro_source.md §3.4`。
|
||||
|
||||
### 代码改动
|
||||
|
||||
- `crawlers/oshwhub/crawler.py`：
|
||||
- 新增 `make_pro_source_client()` —— 加载 `~/.secrets/pro-lceda-cookie-header.txt`，自动配 `Editor-Version` / `Referer` / per-request `path` header
|
||||
- 新增 `fetch_pro_source(client, project_uuid, proj_dir, sleep)` —— 4 步流程：project meta → branch HEAD → structures → history chain，然后逐 history 解密（AES-128-GCM, 16 字节 IV）+ gunzip + 按 DOCHEAD 切 per-doc
|
||||
- 新增 `_order_history_chain()` —— 沿 parent 链从 root 到 HEAD 排序
|
||||
- 新增 `_pro_get_json()` —— 包装 `/api/v4` GET 调用，自动加 `path` header + 校验 success
|
||||
- 扩展 `crawl_one()` 接 `pro_source_client` 参数，按 `list_item.origin` 自动 dispatch
|
||||
- 新增 CLI flag `--with-pro-source` / `--backfill-pro-source` / `--pro-cookie` / `--origin`
|
||||
- 新增 `_run_backfill_pro_source()`（filter on `raw_fields.origin == "pro"`）
|
||||
- `schemas/project.schema.json`：`docType` 类型从 `integer` 放宽到 `["integer","string","null"]`（兼容 Std 的 1/3 + Pro 的 BOARD/PCB/SCH 等字符串），新增 `message_count` 字段
|
||||
- `docs/sources/easyeda_pro_source.md` rev 3：加 §1.1 Pro 2.x vs 3.x、§3.1 行末 `|` 警告、§3.4 docType 实测表、§2.2 单 history endpoint 即返完整 chain
|
||||
|
||||
### 数据落地
|
||||
|
||||
```
|
||||
data/raw/oshwhub/
|
||||
b77840665e2e48148c1b04ce84b5f7e7/ # X86 主板（modern Pro 3.2.15）
|
||||
source/
|
||||
manifest.json # 7374 docs index
|
||||
structure.json # 项目树（boards/schematics/sheets/pcbs）
|
||||
<doc_uuid>.epro2 # 7374 个 EPRO2 文件
|
||||
dc91a91e669349898d709a5ba02f5b5f/ # 220V 电源（modern Pro 3.2.69）
|
||||
ba64bd6f1c9c467ba3b674a54943557d/ # ESP-VoCat（modern Pro 3.2.91）
|
||||
7360e73de5dd428e9f29e10573f2d8ac/ # legacy Pro 2.x，无 source/
|
||||
0c46759837334318aa4882d6d37f96fa/ # legacy Pro 2.x，无 source/
|
||||
```
|
||||
|
||||
### 下一步
|
||||
|
||||
1. （重要）legacy Pro 2.x 抓取链：录 HAR 看 RK3566 / 梁山派 在 pro.lceda.cn 编辑器打开时走什么 endpoint
|
||||
2. 想跑量到 50 / 500 项目时，先做风控测试：阶梯放量，监控 403 / 429 / 1111111
|
||||
3. EPRO2 → KiCad 转换器是 Forge 投影前置硬门槛
|
||||
4. 可考虑 cookie 轮换 / 多账号 pool（Pro 风控相对 Std 严）
|
||||
|
||||
---
|
||||
|
||||
## 2026-04-28 19:50 Std 工程源链路打通 + 10 板子 schematic/PCB 全部回填
|
||||
|
||||
**Claude 会话**
|
||||
|
||||
Reference in New Issue
Block a user