z230

IWRS/run_all_v1.1.md

@@ -0,0 +1,132 @@
+# run_all_v1.1.py — IWRS: kompletní pipeline Pacienti + Léky
+
+**Verze:** 1.1 | **Datum:** 2026-06-10
+
+- **v1.1:** všechny moduly pipeline přesunuty na úroveň `IWRS/` — adresáře
+  `Patients/` a `Drugs/` už pipeline nepotřebuje. Worker přejmenován:
+  `Patients/import_to_mongo.py` → `import_patients_mongo.py`; parsery notifikací
+  vyčleněny do `notification_parsers.py` (bez závislosti na MySQL).
+- **v1.0:** první verze sjednocené pipeline (nahradila `Drugs/run_all.py`
+  a `Patients/download_all.py`+`import_all.py`).
+
+Jeden vstupní skript na úrovni `IWRS/`, který stáhne z janssen.4gclinical.com
+a naimportuje do MongoDB (db `studie`) data pacientů i léků pro obě studie
+(77242113UCO3001, 42847922MDD3003).
+
+## Tok souborů
+
+```
+IWRS/Incoming/            ← sem padá vše stažené (pacienti i léky, datumované názvy)
+IWRS/Incoming/Processed/  ← sem se přesouvá po úspěšném importu
+```
+
+- Při chybě importu soubor **zůstává v Incoming/** a zpracuje se při příštím běhu.
+- Import jde vždy **nejstarší soubor napřed** (mtime) — chronologická správnost snapshotů.
+- Kolize jména v Processed/ → přepíše se (Mongo už data má, soubor je jen archiv).
+- Adresář `IWRS/Incoming/` je v `.gitignore`.
+- Původní adresáře `Drugs/xls_*` zůstávají zmrazené na místě jako archiv — nový kód je nepoužívá.
+
+## Názvy souborů v Incoming/
+
+| Typ | Vzor |
+|---|---|
+| Subject Summary | `YYYY-MM-DD {study} Subject Summary Report.xlsx` |
+| Subject Detail | `YYYY-MM-DD {study} {subject} Subject Detail.xlsx` |
+| Notifikace | `{datum}_{study}_{subject}_{label}.pdf` + `.json` |
+| Onsite Inventory | `YYYY-MM-DD {study} Onsite Inventory {site}.xlsx` |
+| IP Destruction | `YYYY-MM-DD {study} IP Destruction {basket}.xlsx` |
+| Shipments Report | `YYYY-MM-DD {study} Shipments Report.xlsx` |
+| Shipment Details | `YYYY-MM-DD {study} Shipment Details {shipment_id}.xlsx` |
+
+Při kolizi (druhý běh ve stejný den) se před příponu přidá ` HHMM`.
+Metadata (site, basket, study) se při importu čtou primárně z **obsahu** souboru;
+z názvu se bere jen `shipment_id` u Shipment Details.
+
+## Průběh
+
+### Fáze 1 — stahování (2 přihlášení, per studie jedna browser session)
+
+1. Login + výběr studie (`common/iwrs_portal.py`)
+2. **Pacienti** (`download_patients.py`):
+   - Subject Summary Report
+   - per subjekt: Subject Detail XLSX + notifikace PDF+JSON (stahují se jen
+     notifikace, jejichž `pk` ještě není v Mongo `iwrs_notifications`)
+3. **Léky** (`download_drugs.py`):
+   - Onsite Inventory — všechna centra, vždy znovu
+   - IP Destruction — přeskočí košíky už importované v `iwrs_destruction`
+     (destrukce je immutable)
+   - Shipments Report — vždy znovu
+   - Shipment Details — jen CZ zásilky; přeskočí zásilky, jejichž položky
+     jsou v `iwrs_shipment_items` se statusem RECEIVED (finální stav).
+     CANCELLED zásilky se stahují při každém běhu (záměrně zachováno).
+
+### Fáze 2 — import (po stažení obou studií)
+
+1. `ensure_indexes()` (jednou)
+2. **Pacienti** (`import_patients.py`): summary → detaily → notifikace;
+   per soubor, po úspěchu přesun do Processed/
+3. **Léky** (`import_drugs.py`): jeden `import_id` per studie a běh;
+   parsuje všechny čekající soubory (nejstarší napřed, poslední vyhrává per `_id`),
+   pak hromadný zápis:
+   - `iwrs_shipments`, `iwrs_shipment_items`, `iwrs_inventory` — upsert + snapshot
+   - `iwrs_destruction` — upsert bez snapshotu
+   Po úspěšném zápisu se zparsované soubory přesunou do Processed/;
+   soubor s chybou parsování zůstává v Incoming/.
+   Prázdný inventory report (centrum bez zásob — jen meta řádky `Site:` atd.,
+   bez tabulky léků) se bere jako 0 položek a normálně se archivuje.
+
+## Použití
+
+```
+python run_all_v1.1.py                    # vše (download + import, obě studie)
+python run_all_v1.1.py --download-only    # jen stažení do Incoming/
+python run_all_v1.1.py --import-only      # jen import čekajících souborů
+python run_all_v1.1.py --only-patients    # jen pacientská část
+python run_all_v1.1.py --only-drugs       # jen léková část
+python run_all_v1.1.py --study 42847922MDD3003   # jen jedna studie
+```
+
+Prohlížeč běží s `headless=False` (viditelné okno) jako dosud.
+Moduly `import_patients.py` a `import_drugs.py` lze spustit i samostatně.
+
+## Mapa modulů (vše na úrovni IWRS/)
+
+```
+IWRS/
+  run_all_v1.1.py                  ← vstupní skript (CLI, orchestrace)
+  download_patients.py             ← summary + delegace na download_subject_details.run()
+  download_subject_details.py      ← detaily subjektů + notifikace (worker)
+  import_patients.py               ← orchestrace importu pacientů
+  import_patients_mongo.py         ← worker: summary + visits → Mongo (ex Patients/import_to_mongo.py)
+  import_notifications_to_mongo.py ← worker: notifikace PDF+JSON → Mongo
+  notification_parsers.py          ← parsery textů notifikací (bez MySQL)
+  download_drugs.py                ← 4 typy reportů → Incoming/, skip-logika přes Mongo
+  import_drugs.py                  ← parsery + import léků z Incoming/
+  common/
+    iwrs_portal.py                 ← BASE_URL, credentials, login(page, study)
+    paths.py                       ← INCOMING/PROCESSED, unique_path, move_done, sorted_by_mtime
+    mongo_writer.py                ← konvertory, upserty, snapshoty, import log
+  Trash/                           ← run_all_v1.0.py + .md
+```
+
+## Úklid IWRS (provedeno 2026-06-10)
+
+Na úrovni `IWRS/` zůstává jen aktivní kód a data:
+`run_all_v1.1.py`, `create_report_v1.0.py` (+ oba `.md`), 8 modulů pipeline,
+`common/`, `Incoming/` (+ `Processed/`) a `Reports/`.
+
+Vše ostatní je v `IWRS/Trash/`: celé adresáře `Patients/` a `Drugs/`
+(vč. zmrazených archivů `xls_*`, starých výstupů `output/` a `CreatedReports/`
+a jejich vlastních `Trash/`), `Testing/`, `backfill_mysql_to_mongo.py`
+(jednorázový legacy nástroj; importoval `db_config` z Patients, v Trash zůstává
+funkční vedle sebe), `reports.json` a `run_all_v1.0.*`.
+
+Reportovací skripty byly sjednoceny do `IWRS/create_report_v1.0.py` — původní
+`Drugs/create_report.py` a `Patients/create_subject_report.py` jsou v Trash.
+
+## Jednorázová migrace (provedeno 2026-06-10)
+
+- `Patients/Incoming/Zpracováno/` (1343 souborů) → `IWRS/Incoming/Processed/`
+- `.gitignore`: `IWRS/Patients/Incoming/` → `IWRS/Incoming/`
+- Staré vstupní skripty → `Patients/Trash/`, `Drugs/Trash/`
+- v1.1: moduly pipeline → úroveň `IWRS/` (git mv, historie zachována)