w22

10_collect_metadata.py

@@ -39,7 +39,9 @@ if sys.stdout.encoding and sys.stdout.encoding.lower() != "utf-8":
     sys.stdout.reconfigure(encoding="utf-8")
     sys.stderr.reconfigure(encoding="utf-8")
 
+import logging
 import exifread
+logging.getLogger("exifread").setLevel(logging.CRITICAL)
 import imagehash
 from PIL import Image, ImageOps, IptcImagePlugin
 
@@ -53,6 +55,9 @@ OUTPUT_DIR = Path(__file__).parent / "output"
 OUTPUT_JSONL = OUTPUT_DIR / "10_metadata.jsonl"
 ERROR_LOG = OUTPUT_DIR / "10_errors.log"
 
+RESUME = True
+WORKERS = 2
+
 IPTC_TAG_NAMES = {
     (2, 5):   "ObjectName",
     (2, 10):  "Urgency",
@@ -133,6 +138,30 @@ def extract_gps(raw_tags: dict) -> dict:
     return result
 
 
+# ---------------------------------------------------------------------------
+# JSON serializace
+# ---------------------------------------------------------------------------
+
+def _make_serializable(obj):
+    """Rekurzivně převede vše co JSON nezná (IFDRational, bytes, tuple…) na základní typy."""
+    if hasattr(obj, "numerator") and hasattr(obj, "denominator"):
+        try:
+            return float(obj)
+        except Exception:
+            return str(obj)
+    if isinstance(obj, dict):
+        return {str(k): _make_serializable(v) for k, v in obj.items()}
+    if isinstance(obj, (list, tuple)):
+        return [_make_serializable(x) for x in obj]
+    if isinstance(obj, bytes):
+        return obj[:200].decode("utf-8", errors="replace")
+    try:
+        json.dumps(obj)
+        return obj
+    except (TypeError, ValueError):
+        return str(obj)
+
+
 # ---------------------------------------------------------------------------
 # Hashe
 # ---------------------------------------------------------------------------
@@ -411,14 +440,14 @@ def main():
                         help=f"Zdrojová složka (default: {SOURCE})")
     parser.add_argument("--output", type=Path, default=OUTPUT_JSONL,
                         help=f"Výstupní JSONL soubor (default: {OUTPUT_JSONL})")
-    parser.add_argument("--resume", action="store_true",
-                        help="Přeskočit soubory, které jsou již v JSONL")
+    parser.add_argument("--resume", action="store_true", default=RESUME,
+                        help=f"Přeskočit soubory, které jsou již v JSONL (default: {RESUME})")
     parser.add_argument("--dry-run", action="store_true",
                         help="Jen spočítat soubory, nic nezpracovat")
     parser.add_argument("--limit", type=int, default=0,
                         help="Zpracovat maximálně N fotek (0 = vše)")
-    parser.add_argument("--workers", type=int, default=1,
-                        help="Počet paralelních vláken (default: 1)")
+    parser.add_argument("--workers", type=int, default=WORKERS,
+                        help=f"Počet paralelních vláken (default: {WORKERS})")
     args = parser.parse_args()
 
     source: Path = args.source
@@ -511,7 +540,7 @@ def main():
                     progress.tick(ok=not has_error)
                     if has_error:
                         err_f.write(f"{path}\t{record.get('fatal_error') or record.get('pil_error')}\n")
-                    batch.append(json.dumps(record, ensure_ascii=False))
+                    batch.append(json.dumps(_make_serializable(record), ensure_ascii=False))
                     if len(batch) >= flush_every:
                         out_f.write("\n".join(batch) + "\n")
                         batch.clear()
@@ -531,7 +560,7 @@ def main():
                 progress.tick(ok=not has_error)
                 if has_error:
                     err_f.write(f"{path}\t{record.get('fatal_error') or record.get('pil_error')}\n")
-                batch.append(json.dumps(record, ensure_ascii=False))
+                batch.append(json.dumps(_make_serializable(record), ensure_ascii=False))
                 if len(batch) >= flush_every:
                     out_f.write("\n".join(batch) + "\n")
                     batch.clear()