z230

Covance/Trash/download_lab_reports_v1.2.md

@@ -0,0 +1,56 @@
+# download_lab_reports_v1.2.py
+
+**Verze:** 1.2  |  **Datum:** 2026-06-16
+
+Stahuje PDF **Lab Reports** ze `xsp.labcorp.com` (studie **77242113UCO3001**,
+interní `36940`, 10 CZ center) přímo do **MongoDB** (`covance.labreports`) —
+metadata + skutečné PDF (inline Binary). **Na disk neukládá.**
+
+## Klíč `record_id = reportId`
+`reportId` = stabilní 32-hex ID dokumentu z dat AG Gridu, **napříč všemi řádky
+unikátní** (ověřeno: 997 řádků → 997 unikátních `reportId`/`fileId`).
+
+**Proč ne metadata:** na portálu se reálně vyskytují **různá PDF se shodnými
+viditelnými metadaty** — stejný `site|subject|accession|visit|posted` i na
+minutu (korekce výsledku / reissue se shodným časem Posted). Ověřeno: 5 souborů
+pro accession `6227697718` má 5 různých sha256. Klíčování podle metadat (v1.1)
+by je chybně sloučilo → **ztráta dat**. `reportId` to řeší.
+
+## Odkud data
+Z **in-memory dat AG Gridu** přes grid API (`__agComponent.gridApi`):
+`getDisplayedRowAtIndex(i).data` → `reportId`, `fileLinks[].fileId`+`fileName`
+(server), `postedDateTime` (ISO), `siteNum`, `subjectNumber`. `reportId` jde
+přečíst **bez scrollování** → levný pre-check „už mám". Accession/Visit/Collected
+leží v gridu níž (ve struktuře `visits`), proto se berou z buněk (po scrollu).
+
+**Pozn.:** `accession` se nijak nepočítá ani neodvozuje — je to reálný
+identifikátor přidělený kitu v laboratoři; čte se **doslova** z buňky a ukládá
+1:1 (`accession` i `fields.Accession`).
+
+## Stahování + inkrementálně
+Klik na „English" → `expect_download`, PDF z `download.path()` (bez `save_as`).
+List je Posted DESC; ze seznamu (rowIndex, reportId) se shora hledá první už
+uložený `reportId` → **stop-at-known** (zbytek je starší a v Mongo je). Stahují
+se jen nové (nahoře). Korekce = nový `reportId` → uloží se jako nový.
+
+## MongoDB dokument
+`record_id`(=reportId), `study`, `studyCode`, `type`, `site`, `subject`,
+`accession`, `visit`, `collected`, `posted`, `postedIso`, `fileId`,
+`serverFileName`, `fields` (sloupce tabulky), `fileName` (náš název),
+**`pdf`** (Binary ~260 KB), `pdfSize`, `pdfSha256`, `firstSeen`, `lastSeen`,
+`history[]`. Upsert: nový→insert; změna sha/fields→push history+update;
+shoda→jen `lastSeen`.
+
+Název v `fileName`: `77242113UCO3001 {odběr} {Site} {Subject} {Visit} {Accession} posted {posted}.pdf`
+
+## Spuštění (z terminálu uživatele — otevírá GUI Chrome)
+```
+python download_lab_reports_v1.2.py --dry-run     # vypíše NOVÉ, nestahuje
+python download_lab_reports_v1.2.py --limit 5     # test: 5 nových
+python download_lab_reports_v1.2.py               # inkrementální běh
+python download_lab_reports_v1.2.py --full        # rekonciliace přes vše
+```
+
+## Nahrazuje
+`download_lab_reports_v1.0.py` (disk) a `v1.1` (klíč podle metadat — chybný).
+Obě → `TRASH/`.