275 lines
8.3 KiB
Markdown
275 lines
8.3 KiB
Markdown
# 批量导入试卷 — 交接文档
|
||
|
||
## 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）
|
||
|
||
---
|
||
|
||
## 凭据 & 账号
|
||
|
||
### .env 文件（项目根目录）
|
||
|
||
```env
|
||
## Supabase
|
||
SUPABASE_URL=https://pvcxipwovpwrurebouwg.supabase.co
|
||
SUPABASE_ANON_KEY=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJpc3MiOiJzdXBhYmFzZSIsInJlZiI6InB2Y3hpcHdvdnB3cnVyZWJvdXdnIiwicm9sZSI6ImFub24iLCJpYXQiOjE3NzM0MDAzMzIsImV4cCI6MjA4ODk3NjMzMn0.pq9JhSSdok4eHOul7rmLLN7AjXNCw0Mz8fxXEu-eQLY
|
||
SUPABASE_SERVICE_ROLE_KEY=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJpc3MiOiJzdXBhYmFzZSIsInJlZiI6InB2Y3hpcHdvdnB3cnVyZWJvdXdnIiwicm9sZSI6InNlcnZpY2Vfcm9sZSIsImlhdCI6MTc3MzQwMDMzMiwiZXhwIjoyMDg4OTc2MzMyfQ.JUlHLKYhf7MaLU_YfmqUXmCBgQOv3vEbsSUke6tS41w
|
||
SUPABASE_DB_PASSWORD=nyddiq-5mefde-senSih
|
||
|
||
## LLM
|
||
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
|
||
DEEPSEEK_API_KEY=sk-f7768364050d4a38bb0f42030ea138da
|
||
|
||
GOOGLE_GEMINI_API_KEY=AIzaSyBm_SMw5iwxn5KxWmVoyAJMMpjfu86m-yU
|
||
|
||
# 以下备用，批量导入不需要
|
||
LAOZHANG_BASE_URL=https://api.laozhang.ai/v1
|
||
LAOZHANG_API_KEY=sk-oqKIhugRggjtjzPg0e07Bb2aB9Fb44B2A904BfA1E9C67947
|
||
DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
|
||
DASHSCOPE_API_KEY=sk-20164094f29e416aad0437d9e678b04f
|
||
```
|
||
|
||
### 管理后台
|
||
|
||
| 服务 | 地址 | 账号 | 用途 |
|
||
|------|------|------|------|
|
||
| **Supabase** | https://supabase.com/dashboard | 找 soda 要登录 | 数据库管理、Storage、Auth |
|
||
| **Google AI Studio** | https://aistudio.google.com | 用自己的 Google 账号，API key 在 .env 里 | 监控 Gemini 用量，免费额度 |
|
||
| **DeepSeek** | https://platform.deepseek.com | 用 .env 里的 key 登录 | 监控用量和余额，**这个会花钱** |
|
||
| **Gitea** | https://git.deepknow.site | 用户名 `soda`，密码 `Jermaine0805` | 代码仓库 |
|
||
|
||
### API 费用监控（重要！）
|
||
|
||
| 模型 | 用途 | 单价 | 单份试卷约费用 |
|
||
|------|------|------|------|
|
||
| Gemini 2.5 Flash | Vision 提取 + 答案匹配 | 免费额度（每分钟有限） | $0 |
|
||
| DeepSeek V3 | AI trio 生成 | $0.28/M input, $1.10/M output | ~$0.5-1.5 |
|
||
|
||
**批量导入前先去 DeepSeek 平台看余额！** 50 份试卷大约消耗 $25-75。
|
||
|
||
---
|
||
|
||
## 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/` |
|
||
| Gitea 服务器 | `43.134.230.28`（1Panel 面板管理） |
|
||
|
||
---
|
||
|
||
## 第一步：获取试卷 PDF（PeterGao Scraper）
|
||
|
||
### 概述
|
||
|
||
HKUST 历年试卷来源: https://petergao.cc/ustpastpaper/
|
||
|
||
该网站有 quota 限制（每账号每学期 50 次下载），需要多个 HKUST 学生账号协作下载。
|
||
|
||
### Scraper 位置
|
||
|
||
```bash
|
||
cd /path/to/PastPaper\ Master/pastpaper-scraper/
|
||
```
|
||
|
||
GitHub repo: https://github.com/ZhaoYiping789/PeterGao-raper.git
|
||
|
||
### 环境
|
||
|
||
```bash
|
||
# 安装 uv
|
||
curl -LsSf https://astral.sh/uv/install.sh | sh
|
||
|
||
# 安装依赖
|
||
uv sync
|
||
```
|
||
|
||
### 运行
|
||
|
||
```bash
|
||
# 批量下载（按 group 分配）
|
||
uv run python batch_download.py --group B
|
||
```
|
||
|
||
流程：
|
||
1. 脚本显示本轮要下载的课程（每轮不超过 45 quota）
|
||
2. 输入一个 ITSC 用户名（如 `chanxm`）
|
||
3. 网站向该用户发验证邮件
|
||
4. **让该用户把邮件链接发给你**
|
||
5. 粘贴链接到脚本
|
||
6. 自动下载，完成后换下一个账号
|
||
|
||
### 获取账号
|
||
|
||
需要找 HKUST 学生要 ITSC 账号配合。每个账号每学期可用 50 quota，全站约 3400 份试卷需要约 52 个账号。联系 soda 协调。
|
||
|
||
### 下载结果
|
||
|
||
PDF 保存在 `pastpaper-scraper/papers/{课程名}/` 目录下。
|
||
|
||
---
|
||
|
||
## 第二步：整理文件结构
|
||
|
||
将 scraper 下载的 PDF 整理成以下结构：
|
||
|
||
```
|
||
papers_to_import/
|
||
├── COMP2211/
|
||
│ ├── 2024_spring_midterm.pdf
|
||
│ ├── 2024_spring_midterm_answer.pdf <- 答案，自动匹配
|
||
│ ├── 2024_fall_final.pdf
|
||
│ └── 2023_spring_midterm.pdf
|
||
├── COMP2011/
|
||
│ └── ...
|
||
├── MATH1014/
|
||
│ └── ...
|
||
└── FINA2303/
|
||
└── ...
|
||
```
|
||
|
||
规则：
|
||
- 一级目录名 = 课程代码（自动转大写）
|
||
- 文件名: `{year}_{term}_{examtype}.pdf`
|
||
- 答案: `{year}_{term}_{examtype}_answer.pdf`（可选）
|
||
- term: `spring` / `fall` / `summer`
|
||
- examtype: `midterm` / `final` / `quiz`
|
||
|
||
scraper 下载的文件名格式比较杂（如 `(COMP2211)[2024](s)midterm~xxx.pdf`），需要手动或写脚本重命名。
|
||
|
||
### 优先导入的课程
|
||
|
||
用户量大，优先补充：
|
||
- COMP2011, COMP2211, COMP2711H
|
||
- MATH1013, MATH1014, MATH2023
|
||
- PHYS1112
|
||
- ELEC2100
|
||
- FINA2303
|
||
|
||
---
|
||
|
||
## 第三步：批量导入
|
||
|
||
### 在本地运行（推荐）
|
||
|
||
```bash
|
||
cd /path/to/PastPaper\ Master/backend
|
||
source .venv/bin/activate # 或 .venv/bin/python
|
||
|
||
# 试运行（不实际导入，只打印）
|
||
python batch_import.py /path/to/papers_to_import/ --batch --dry-run
|
||
|
||
# 正式导入（串行）
|
||
python batch_import.py /path/to/papers_to_import/ --batch
|
||
|
||
# 并发导入（最多 2 个同时，别超过 2）
|
||
python batch_import.py /path/to/papers_to_import/ --batch --concurrency 2
|
||
```
|
||
|
||
### 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
|
||
```
|
||
|
||
### 自动查重
|
||
|
||
脚本会跳过已存在的试卷（相同 course_code + year + term + exam_type）。
|
||
|
||
---
|
||
|
||
## 处理时间估计
|
||
|
||
| 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** |
|
||
|
||
并发不要超过 2，Gemini 会限流（429 错误，脚本自动重试但更慢）。
|
||
|
||
---
|
||
|
||
## 常见问题
|
||
|
||
### Q: 处理失败（status=error）怎么办？
|
||
|
||
```bash
|
||
cd backend/
|
||
.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'])
|
||
"
|
||
```
|
||
|
||
然后重新导入即可。
|
||
|
||
### Q: 只重新生成 AI trio（题目已提取成功）？
|
||
|
||
```bash
|
||
.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-...' # 替换为实际 ID
|
||
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')
|
||
"
|
||
|
||
# 重启后端触发自动续传
|
||
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
|
||
scp -i ~/.ssh/id_ed25519 app/services/paper_processor.py root@129.226.210.66:/opt/pastpaper/backend/app/services/
|
||
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/
|
||
```
|
||
|
||
### Q: DeepSeek 余额不够了？
|
||
|
||
去 https://platform.deepseek.com 充值。用的是 DeepSeek V3（deepseek-chat），很便宜但批量跑几百份也会花几十美元。
|
||
|
||
### Q: Gemini 限流（429）？
|
||
|
||
免费额度有每分钟请求限制。脚本内置自动重试（指数退避），等几秒就好。如果频繁 429，降低并发到 1。
|