notebook

Python-runner/5_enrich_fulltext_emails_v1.2.md

@@ -0,0 +1,47 @@
+# 5_enrich_fulltext_emails_v1.2.py
+
+**Krok 5 pipeline** — vytáhne plný text z emailů v MongoDB (db: `emaily`) a uloží do PostgreSQL (db: `MongoEmaily`, tabulka: `emails`) s GIN `tsvector` indexem (config `soubory` — simple + unaccent).
+
+Emaily se **nestahují znovu** — tělo už je v Mongo z kroků 1/2/4. Tento skript jen vybere první dostupné tělo podle priority a pošle text do PG na fulltext.
+
+## Priorita zdroje těla (`body_source`)
+
+1. **`smime`** — `smime_body_text` / `smime_body_html` (pokud unwrap proběhl)
+2. **`html`** — `body_html`
+3. **`text`** — `body_text` (z parse v1.4 nebo refetch v1.0)
+4. **`preview`** — `body_preview` (fallback)
+
+Názvy vnitřních S/MIME příloh (`smime_inner_attachments`) jdou do `attachments_summary` — dohledatelné přes MCP `emaily.find_attachment`.
+
+## Inkrementalita
+
+Pokud `(mailbox, message_id)` v PG existuje, `extractor_version` je aktuální (1.2) a `modified_at` v Mongo není novější → **skip**. Při bumpu `EXTRACTOR_VERSION` se vše přeparsuje.
+
+## Argumenty
+
+| Argument | Povinný | Hodnoty | Default | Popis |
+|---|---|---|---|---|
+| `--mailbox` | ne | e-mail | (všechny) | Jedna konkrétní schránka |
+| `--limit N` | ne | int | (bez limitu) | Limit emailů na schránku (test) |
+
+## Varianty volání
+
+```bash
+# Všechny schránky:
+docker exec -it python-runner python /scripts/5_enrich_fulltext_emails_v1.2.py
+
+# Jedna schránka:
+docker exec -it python-runner python /scripts/5_enrich_fulltext_emails_v1.2.py --mailbox ordinace@buzalkova.cz
+
+# Test 500 emailů:
+docker exec -it python-runner python /scripts/5_enrich_fulltext_emails_v1.2.py --mailbox ordinace@buzalkova.cz --limit 500
+
+# Plný běh na pozadí, log do souboru:
+docker exec -d python-runner bash -c "python /scripts/5_enrich_fulltext_emails_v1.2.py > /scripts/enrich.log 2>&1"
+```
+
+## Sledování průběhu
+
+```bash
+docker exec -it python-runner tail -f /scripts/enrich.log
+```