PastpaperMaster/backend/BATCH_IMPORT_GUIDE.md

# 批量导入试卷指南

## 概述

`batch_import.py` 用于批量向 PastPaper Master 数据库填充试卷。它会自动完成：
1. 创建 DB 记录
2. 上传 PDF 到 Supabase Storage
3. Gemini Vision 提取题目结构
4. DeepSeek 生成 AI 解题三件套（knowledge reminder + hint + solution）

## 环境准备

### 1. 服务器信息

| 项目 | 值 |
|------|-----|
| 生产服务器 | `129.226.210.66` |
| SSH | `ssh -i ~/.ssh/id_ed25519 root@129.226.210.66` |
| 后端容器 | `pastpaper-backend-1` |
| 项目路径 | `/opt/pastpaper/` |
| 前端静态文件 | `/opt/1panel/www/pastpaper/` |

### 2. 在本地运行（推荐）

```bash
cd /path/to/PastPaper\ Master/backend

# 确保 .env 在项目根目录（../. env）
# 需要的 key: SUPABASE_URL, SUPABASE_SERVICE_ROLE_KEY, GOOGLE_GEMINI_API_KEY, DEEPSEEK_API_KEY

# 激活虚拟环境
source .venv/bin/activate

# 或用 venv 的 python
.venv/bin/python batch_import.py ...
```

### 3. 在服务器 Docker 容器里运行

```bash
# 先把脚本和试卷文件传到服务器
scp -i ~/.ssh/id_ed25519 batch_import.py root@129.226.210.66:/opt/pastpaper/backend/
scp -i ~/.ssh/id_ed25519 -r /path/to/papers root@129.226.210.66:/opt/pastpaper/papers_to_import/

# 进容器运行
ssh -i ~/.ssh/id_ed25519 root@129.226.210.66
docker exec -it pastpaper-backend-1 bash
cd /app
python batch_import.py /path/to/papers --batch
```

## 使用方法

### 单份导入

```bash
python batch_import.py paper.pdf \
  --course COMP2211 \
  --year 2024 \
  --term spring \
  --exam midterm

# 带答案
python batch_import.py paper.pdf \
  --answer answer.pdf \
  --course COMP2211 \
  --year 2024 \
  --term spring \
  --exam midterm
```

### 批量导入

#### 目录结构要求

```
papers_to_import/
├── COMP2211/
│   ├── 2024_spring_midterm.pdf
│   ├── 2024_spring_midterm_answer.pdf    <- 自动匹配
│   ├── 2024_fall_final.pdf
│   └── 2023_spring_midterm.pdf
├── COMP2011/
│   ├── 2024_spring_midterm.pdf
│   └── 2024_fall_final.pdf
├── MATH1014/
│   └── 2024_spring_midterm.pdf
└── FINA2303/
    └── 2023_fall_midterm.pdf
```

- 一级目录名 = 课程代码（自动转大写）
- 文件名格式: `{year}_{term}_{examtype}.pdf`
- 答案文件: `{year}_{term}_{examtype}_answer.pdf`（可选，放同一目录，自动匹配）
- term: `spring` / `fall` / `summer`
- examtype: `midterm` / `final` / `quiz`

#### 命令

```bash
# 先试运行看看会导入什么
python batch_import.py papers_to_import/ --batch --dry-run

# 正式导入（串行，最安全）
python batch_import.py papers_to_import/ --batch

# 并发导入（2个同时处理，更快但 API 可能限流）
python batch_import.py papers_to_import/ --batch --concurrency 2
```

### 自动查重

脚本会自动跳过已存在的试卷（相同 course_code + year + term + exam_type 且 status 为 ready 或 processing）。

## 处理时间估计

单份试卷处理时间取决于页数和题目数：

| 阶段 | 耗时 |
|------|------|
| PDF 渲染 | 2-5s |
| Vision 提取（每 8 页一批） | 30-60s/批 |
| 答案匹配 | 20-40s |
| AI trio 生成（每 3 题一批） | 15-25s/批 |
| **总计（30 题试卷）** | **~3-5 min** |
| **总计（40+ 题试卷）** | **~5-8 min** |

建议: 并发不要超过 2，否则 Gemini API 可能限流（429 错误，脚本会自动重试但会更慢）。

## API 费用

| 模型 | 用途 | 费用 |
|------|------|------|
| Gemini 2.5 Flash | Vision 提取 + 答案匹配 | 免费额度内通常够 |
| DeepSeek V3 | AI trio 生成 | ~$0.5-1.5/份试卷 |

监控费用:
- Gemini: https://aistudio.google.com (API keys 页面看用量)
- DeepSeek: https://platform.deepseek.com (Usage 页面)

## 常见问题

### Q: 处理失败怎么办？

试卷会标记为 `status=error`。可以删掉重来：
```python
# 在 backend/ 目录下
.venv/bin/python -c "
import sys; sys.path.insert(0, '.')
from dotenv import load_dotenv; load_dotenv('../.env')
from app.services.supabase_client import get_supabase
sb = get_supabase()
errors = sb.table('papers').select('id, course_code').eq('status', 'error').execute().data
for p in errors:
    sb.table('paper_questions').delete().eq('paper_id', p['id']).execute()
    sb.table('papers').delete().eq('id', p['id']).execute()
    print('Deleted', p['course_code'])
"
```

### Q: JSON 解析错误？

已内置多层 JSON 修复 + 自动重试（最多 6 次）。如果还是失败，通常是因为试卷内容太复杂（大量 LaTeX + 代码），可以尝试：
1. 删掉 error 记录重新导入
2. 如果反复失败，可能需要拆分试卷 PDF

### Q: 如何只重新生成 AI trio（题目已提取）？

```python
# 清空 solution 字段，重启后端会自动续传
.venv/bin/python -c "
import sys; sys.path.insert(0, '.')
from dotenv import load_dotenv; load_dotenv('../.env')
from app.services.supabase_client import get_supabase
sb = get_supabase()
PAPER_ID = 'xxxxxxxx-xxxx-...'  # 替换
qs = sb.table('paper_questions').select('id').eq('paper_id', PAPER_ID).execute().data
for q in qs:
    sb.table('paper_questions').update({'solution': None, 'ai_hint': None, 'knowledge_reminder': None}).eq('id', q['id']).execute()
sb.table('papers').update({'status': 'processing'}).eq('id', PAPER_ID).execute()
print(f'Reset {len(qs)} questions, restart backend to regenerate')
"

# 然后重启后端
ssh -i ~/.ssh/id_ed25519 root@129.226.210.66 "sudo docker restart pastpaper-backend-1"
```

### Q: 如何部署后端代码改动？

```bash
# 上传改动的文件
scp -i ~/.ssh/id_ed25519 app/services/paper_processor.py root@129.226.210.66:/opt/pastpaper/backend/app/services/

# 重建容器
ssh -i ~/.ssh/id_ed25519 root@129.226.210.66 "cd /opt/pastpaper && sudo docker compose up -d --build backend"
```

### Q: 如何部署前端改动？

```bash
cd frontend
npm run build
cp public/favicon.jpg dist/
ssh -i ~/.ssh/id_ed25519 root@129.226.210.66 "rm -rf /opt/1panel/www/pastpaper/assets"
scp -i ~/.ssh/id_ed25519 dist/index.html dist/favicon.jpg root@129.226.210.66:/opt/1panel/www/pastpaper/
scp -i ~/.ssh/id_ed25519 -r dist/assets root@129.226.210.66:/opt/1panel/www/pastpaper/
```

## 试卷来源

`pastpaper-scraper/papers/` 目录下有从 HKUST 爬取的历年试卷 PDF，按课程分目录。可以从中挑选热门课程导入：

优先导入的课程（用户量大）:
- COMP2011, COMP2211, COMP2711H
- MATH1013, MATH1014, MATH2023
- PHYS1112
- ELEC2100
- FINA2303

将文件按上述目录结构组织后运行 `--batch` 即可。