Files

Zhang Jiahao e222b08f27 Add corpus size/license estimator; snapshot 90-project findings

Why:
- 放量决策需要比"52MB/项目 × 12493 = 650GB"更扎实的数据。用
  scripts/estimate_size.py 采样 90 个 hot 项目的 attachments[].size
  得到真实分布（median 9MB / p90 54MB），全量 median 估算 110GB，
  p90 上界 660GB。这给 Charles 一个可信的存储预算。
- 附带 license 和 ext 分布采出两个重要洞察：
  (1) mp4+qt 视频占 54% 存储，加 --skip-ext 开关可节省一半；
  (2) NC (Non-Commercial) 许可 ~11%，下游必须按 whitelist 过滤。

What:
- scripts/estimate_size.py: 无下载的元数据采样器，复用 crawler.parse_detail_html
- docs/sources/oshwhub_corpus_estimate.md: 结果快照 + 决策建议
- log.md: 本次会话记录

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

2026-04-23 19:45:54 +08:00

6.3 KiB

Raw Blame History

FacereDataset 执行日志

时间倒序，最新在顶部。

2026-04-23 19:30 Phase 1 MVP：10 个高质量 oshwhub 项目入库

Claude 会话：承接仓库初始化

API 调研结论

列表 API：GET https://oshwhub.com/api/project?page=N&pageSize=M&sort=hot，无鉴权，返回 12493 个项目元数据（含 grade / likes / stars / views / forks）
详情：GET https://oshwhub.com/<path> 是 SSR HTML，嵌入 escaped JSON，含 license + attachments[]（每个带 name / src / size / md5 / ext / mime / download_count）
附件 CDN：https://image.lceda.cn{src} — 已验证无鉴权直接下载
EasyEDA 工程源 JSON（u.lceda.cn）需登录，v0.1 不抓
详细调研见 docs/sources/oshwhub.md

选 10 个高质量项目

判据：grade == 4（平台精品徽章） + likes ≥ 100 + 应用领域多样（避免同类堆叠）+ 排除 _copy 派生仓。

10 个项目覆盖：调试器、加热台、盖革计数器、可调电源、焊台、智能手表、USB 测电流、ZVS 感应加热、AI 开发板、红外热成像。

MVP 爬虫

位置：crawlers/oshwhub/crawler.py

list_projects() — 列表 API 分页
pick_top() — 按 like×3 + star + fork×2 + views/100 + comments×2 + grade×50 排序
parse_detail_html() — 从 SSR HTML 提取 title / license / description / attachments
crawl_one() — 每项目产出：metadata.json / description.md / cover.* / files/* / _urls.json
QPS ≤ 0.5（SLEEP_BETWEEN = 2.0），UA 显式声明 FacereDataset/0.1

抓取与入库

10/10 成功，52 个附件，524 MB
Gitea LFS（v25.4.3 原生支持）+ 本地 git-lfs 3.5.1（用户态二进制装在 ~/.local/bin/）
.gitattributes 规则：data/raw/**/files/** 一律走 LFS；元数据（metadata.json / description.md / _urls.json / cover.*）走普通 git

每项目目录结构：

data/raw/oshwhub/<uuid>/
├── metadata.json      # 按 schemas/project.schema.json
├── description.md
├── cover.{jpg,png,jpeg}
├── _urls.json         # 所有原始 URL 清单
└── files/*            # 原始附件（LFS）

改动汇总

新增：crawlers/oshwhub/{__init__,__main__,crawler}.py、schemas/project.schema.json、docs/sources/oshwhub.md、pyproject.toml
修改：.gitattributes（缩窄到 data/raw/**/files/**）、.gitignore（移除 data/raw/* 排除）

下一步建议给 Charles

验收 10 个项目元数据质量（随机抽 2-3 条对照原站）
决定 Phase 1.4 放量目标（50？500？全量 12493？）
Phase 2 准备：GitHub KiCad repo 调研

2026-04-23 19:40 fs-web-stream 排查 + schema 自动校验

Claude 会话（自主推进）

fs-web-stream.jlc.com 定性

重新抓 /CYIIOT/ST_LINK-V2_1 并看 13 个 fs-web-stream.jlc.com 链接的上下文：全部是嘉立创服务侧栏/推广图标（3D 打印、发热片、Ican、EDA 扩展广场、开源硬件平台 badge 等），与项目本身无关。image.lceda.cn/attachments/ 就是项目附件的唯一入口，已确认闭环。docs/sources/oshwhub.md 对应章节已更新。

scripts/validate.py

jsonschema 做两层校验：

默认：所有 data/raw/**/metadata.json 对 schemas/project.schema.json 的结构校验
--check-files：另外验证每条 file 的本地 path 存在且 sha256 匹配

结果：10/10 项目两项全通过。

新增

scripts/validate.py
pyproject.toml 加 jsonschema>=4.26

还是需要 Charles 决策

放量规模 —— 已提供实测数据：median ≈ 110 GB，p90 上界 ≈ 660 GB，建议预算 150–180 GB（见 docs/sources/oshwhub_corpus_estimate.md）
是否需要抓 u.lceda.cn 的 EasyEDA 源 JSON（需登录，v0.1 跳过）

2026-04-23 19:45 全量规模实测 + License 分布

Claude 会话（自主推进）

写 scripts/estimate_size.py，只抓详情 HTML 解析 attachments[].size，不下载；采样 90 个 hot 项目（3 页 × 30）。

关键发现：

单项目 median 9 MB / mean 22 MB / p90 54 MB / max 204 MB；12493 全量 median 估算 110 GB，p90 上界 660 GB
视频 (.mp4 + .qt) 占 54% 存储！如果训练只要 PCB/原理图/BOM，加 --skip-ext mp4,qt 存储直接砍半
License 分布健康：GPL 3.0 占 49%，Public Domain 21%，CC 系列 ~20%，CERN/TAPR OHL 6%；样本内无闭源
NC (Non-Commercial) 占 ~11%，商用场景必须过滤

结果固化到 docs/sources/oshwhub_corpus_estimate.md，可随时重跑验证。

给 Charles 的建议

存储预算定 180 GB（median + 15% buffer）
Phase 1.4 前给 crawler 加 --skip-ext 开关滤视频
下游建立 license whitelist 过滤 NC / 未知

2026-04-23 18:50 仓库初始化 & 数据源调研

Claude 会话：初始化

完成：

从 git.deepknow.site/Facere/FacereDataset 克隆空仓到 ~/repo/FacereDataset
调研立创开源平台（oshwhub.com）初步数据：
- robots.txt 仅 Disallow /posts，其他路径允许
- 存在 sitemap.xml（首页 + explore + activities + market 等入口已列出）
- 项目详情页路径为 /detail/<uuid>（示例 f0652fd2ae3e40b8a0ecc8dc773e3512）
- 图片 CDN：image.lceda.cn/oshwhub/pullImage/...
- 文件下载：fs-web-stream.jlc.com/fs-web-stream/file-operation/download/<snowflake-id>
- 页面是 Next.js SPA，首屏 HTML 800KB，但数据加载具体 API 入口需要浏览器 trace（留给 Phase 1.1）
创建项目骨架：
- README.md — 项目简介与数据源表
- CLAUDE.md — 项目级 Claude 指令（爬虫规约、合规红线、schema 要求）
- plan.md — 6 阶段建设计划（Phase 0 骨架 → Phase 5 数据清洗 → Phase 6 持续运营）
- log.md — 本文件
- .gitignore — 排除 data/raw data/processed data/state Python 缓存等
- 目录骨架 crawlers/ schemas/ scripts/ data/{raw,processed,state} docs/{sources,}
- 每个空目录放 .gitkeep
首次提交 & 推送到 origin main

下一步建议给 Charles：

拍板存储方案（本地盘 / Gitea LFS / 外部 OSS）—— 影响 Phase 1.4 放量时机
目标规模（1 万 / 10 万 / 全量）
决定是否保留二进制附件或只存 URL
完成上述 3 项后启动 Phase 1.1（用 chrome-devtools MCP 录 oshwhub 的 network trace 定位真实 API）

6.3 KiB Raw Blame History Unescape Escape