ed4837dedf
Why:
- Charles 要求把 12493 总数验证 + 90 项目采样结果合进主调研文档，消除
oshwhub_corpus_estimate.md 与 oshwhub.md 的重复与分散。
- 一份高质量的数据源调查应该独立完备：任何人（人或 agent）读完就能
复现爬取 / 估算 / 合规判断，不用跨文件拼凑。
What:
- docs/sources/oshwhub.md 重写为 9 节 + 附录：
- TL;DR 表（一页纸核心事实）
- 站点架构 / robots / API 入口 / 项目详情 SSR / 附件 CDN
- 排除项：fs-web-stream.jlc.com 推广图标 / u.lceda.cn 登录源
- §4 项目总数验证（新）：三路 sort 一致 12493 + 分页二分边界 ≈250 页 + grade 覆盖抽样
- §5 抽样语料特征（从 corpus_estimate 并入）：体积 median 9MB/p90 54MB、
视频占 54%、license 分布 GPL 3.0 49%/Public Domain 21%
- 风险表 7 条、附录重跑命令
- 删除 docs/sources/oshwhub_corpus_estimate.md（内容已并入 §5）
- log.md: 本次记录
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
191 lines
8.1 KiB
Markdown
191 lines
8.1 KiB
Markdown
# FacereDataset 执行日志
|
||
|
||
时间倒序，最新在顶部。
|
||
|
||
---
|
||
|
||
## 2026-04-23 19:55 oshwhub.md 重写成完整调研文档
|
||
|
||
**Claude 会话**
|
||
|
||
Charles 要求把 12 493 总数验证、90 项目采样结果合进主调研文档。
|
||
|
||
`docs/sources/oshwhub.md` 重写为 9 节 + 2 附录的完整调研：
|
||
|
||
1. 一页纸 TL;DR 表
|
||
2. 站点架构
|
||
3. robots.txt 与合规
|
||
4. API 与抓取入口（列表 / SSR 详情 / 附件 CDN / 排除项 / 未开放端点）
|
||
5. **项目总数验证（新）**：三路 sort 一致 + 分页二分搜索（250 × 50 = 12 500 吻合）+ grade 覆盖抽样
|
||
6. **抽样语料特征（从 oshwhub_corpus_estimate.md 并入）**：体积 / 文件类型 / license 分布
|
||
7. Schema 映射
|
||
8. 速率与礼貌
|
||
9. 目录输出约定
|
||
10. 风险与未解决（7 条）
|
||
11. 附录：重跑命令、变更历史
|
||
|
||
删除重复文件 `oshwhub_corpus_estimate.md`（内容已并入 §5）。
|
||
|
||
---
|
||
|
||
## 2026-04-23 19:50 加入 HF bshada/open-schematics 计划
|
||
|
||
**Claude 会话**
|
||
|
||
Charles 点名把 https://huggingface.co/datasets/bshada/open-schematics 纳入第一批。
|
||
|
||
调研结论：
|
||
- 这是**已预处理**的 HF 数据集，非待爬网站
|
||
- 78 parquet shards **6.4 GB**；CC-BY-4.0（商用友好）
|
||
- 10K+ 条记录，每条含 `.kicad_sch` 源 / PNG / 组件列表 / JSON / YAML / name / description
|
||
- 与 oshwhub (EasyEDA) 互补，补 KiCad 生态
|
||
|
||
决定：
|
||
- **整包镜像**到 `data/external/huggingface/bshada--open-schematics/`，**不**拆 per-project 目录
|
||
- 用 `huggingface-cli download ... --repo-type dataset` 拉；parquet 走 LFS
|
||
- 维护单独的 `datasets.md`，不与 per-project 的 `projects.md` 混
|
||
|
||
改动：
|
||
- 新增 `docs/sources/hf_bshada_open_schematics.md` 完整调研
|
||
- `plan.md` 加 Phase 1.5
|
||
- `README.md` 数据源表加一行
|
||
|
||
**未下载**，等 Charles 拍板 6.4 GB LFS 预算。
|
||
|
||
---
|
||
|
||
## 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
|
||
|
||
1. 验收 10 个项目元数据质量（随机抽 2-3 条对照原站）
|
||
2. 决定 Phase 1.4 放量目标（50？500？全量 12493？）
|
||
3. 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
|
||
|
||
1. 存储预算定 **180 GB**（median + 15% buffer）
|
||
2. Phase 1.4 前给 crawler 加 `--skip-ext` 开关滤视频
|
||
3. 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**：
|
||
1. 拍板存储方案（本地盘 / Gitea LFS / 外部 OSS）—— 影响 Phase 1.4 放量时机
|
||
2. 目标规模（1 万 / 10 万 / 全量）
|
||
3. 决定是否保留二进制附件或只存 URL
|
||
4. 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）
|