administrator/janssen
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
master
janssen/VTMFDownloadFiles/vtmf_pipeline_v1.6.py
T
administrator 8a8b28df1e tw22
2026-06-16 06:25:55 +02:00

973 lines
39 KiB
Python
Raw Permalink Blame History

# ============================================================
# vtmf_pipeline_v1.6.py
# Verze: 1.6
# Datum: 2026-06-15
# Popis: Kompletní workflow V-TMF (J&J Veeva Vault) pro studii
# 77242113UCO3001 přes VŠECHNY TŘI ÚROVNĚ dokumentů
# (STUDY / COUNTRY / SITE). Jeden běh udělá pro každý
# report ze seznamu REPORTS:
# 1) login do Vaultu (persistentní session + ruční 2FA),
# 2) export reportu do Excelu (Data Only) do WhatToDownload/,
# 3) parse + scoped sync do MongoDB (db VTMF, kolekce
# documents; klíč _id = "číslo|verze"),
# a nakonec jeden průchod stažení všech dosud nestažených
# dokumentů PŘÍMO do SeaweedFS (žádný Dropbox/disk).
#
# ZÁSADNÍ ZMĚNY proti v1.5:
#
# • Hierarchie dokumentů ve VTMF je STUDY -> COUNTRY -> SITE.
# Dokument je do studií/zemí/center jen REFERENCOVANÝ (M:N) —
# např. Master Confidentiality Agreement v nemocnici je jeden
# dokument referencovaný do všech studií i center té nemocnice.
# Proto: jeden dokument = jeden záznam = jeden SeaweedFS objekt;
# příslušnost je jen metadatová pole studies[]/countries[]/sites[].
#
# • REPORTS = seznam (level, study, country, url). Country i site
# report filtrují jen na zemi (CZ), ne na studii -> při ukládání
# se row bere jen pokud cílová studie je v jeho Study sloupci
# (prakticky no-op, vše vrácené UCO3001 obsahuje).
#
# • Zobecněný parser: study report má 15 sloupců (+ Document Date),
# country/site mají 17 (+ Created By, Study Country, Site; bez
# Document Date). Sloupce se hledají podle NÁZVU, datum má
# fallback Document Date -> Approval Complete Date -> Version
# Creation Date. Study/Study Country/Site se parsují na pole.
#
# • Scoped sync: mazání už NEkouká na celou kolekci. Každý report
# má scope = (level|study|country); dokument nese pole scopes[].
# Když z reportu daného scope zmizí, scope se odebere; teprve
# když nemá žádný scope -> deleted=True.
#
# • Evidence reportů: kolekce report_runs (level, study, country,
# url, exported_at, file, row_count, doc_keys).
#
# • ÚLOŽIŠTĚ = JEN SeaweedFS, klíč číslo dokumentu + verze:
# /vtmf-documents/<vtmf>/<verze>.<přípona>
# Žádné ukládání dokumentů na disk/Dropbox — stahují se přes
# dočasný soubor Playwrightu rovnou do Fileru. SHA-256 se počítá
# a ukládá do Mongo jen jako kontrolní součet. (Aktuální verzi
# čehokoli do Dropboxu zařídí samostatný export skript ze SeaweedFS.)
#
# Heslo se NIKDY nedává natvrdo do skriptu — čte se z .env
# v rootu projektu Janssen (VAULT_USER / VAULT_PASS).
#
# Migrace stávajících study-level dat na toto schéma: migrate_to_v16.py
# Předchůdce: vtmf_pipeline_v1.5 (v TRASH/).
# ============================================================
import hashlib
import mimetypes
import os
import re
import sys
import urllib.error
import urllib.request
from datetime import datetime
from pathlib import Path
from playwright.sync_api import sync_playwright, TimeoutError as PWTimeout
from pymongo import MongoClient, ASCENDING
# --- Konfigurace -------------------------------------------------------
LOGIN_URL = ("https://fedlogin.jnj.com/idp/eyJ2c2lkIjoiam5qX3ZlZXZhIn0/"
"startSSO.ping?PartnerSpId=janssenetmf.veevavault.com"
"&IdpAdapterId=CompIWALDAPEXTFORM"
"&TargetResource=https%3A%2F%2Fvtmf.veevavault.com%2F")
# Studie, jejíž TMF stavíme (cíl ořezu country/site reportů).
TARGET_STUDY = "77242113UCO3001"
# ====================================================================
# SEZNAM REPORTŮ KE ZPRACOVÁNÍ
# --------------------------------------------------------------------
# Každý řádek = jeden report. Pole:
# enabled = True/False -> přepni na False a report se v dalším běhu
# NEnačte (zůstane v seznamu jako dokumentace)
# name = popisek do logu (co to je za report)
# level = "study" | "country" | "site" (úroveň + scope)
# study = kód cílové studie (scope + ořez na tuto studii)
# country = země scope (None u study-level)
# url = přímý odkaz na report viewer ve Vaultu
#
# Přidání jiné studie = prostě dopiš další 3 řádky s jejím kódem
# a URL; běh je zpracuje vedle stávajících.
# ====================================================================
REPORTS = [
{"enabled": True, "name": "UCO3001 — STUDY level",
"level": "study", "study": TARGET_STUDY, "country": None,
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000182?study__v%2C%2C%2CIN=0ST000000137008"},
{"enabled": True, "name": "UCO3001 — COUNTRY level (Czech Republic)",
"level": "country", "study": TARGET_STUDY, "country": "Czech Republic",
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000319?study_country__v%2C%2C%2CIN=0SC00000017T056"},
{"enabled": True, "name": "UCO3001 — SITE level (all sites in Czech Republic)",
"level": "site", "study": TARGET_STUDY, "country": "Czech Republic",
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000762?study_country__v%2C%2C%2CEQ=0SC00000017T056"},
{"enabled": True, "name": "UCO3002 — STUDY level",
"level": "study", "study": "77242113UCO3002", "country": None,
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000182?study__v%2C%2C%2CIN=0ST00000016Z008"},
{"enabled": True, "name": "MDD3003 — STUDY level",
"level": "study", "study": "42847922MDD3003", "country": None,
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000182?study__v%2C%2C%2CIN=0ST00000000G301"},
{"enabled": True, "name": "MDD3003 — COUNTRY level (Czech Republic)",
"level": "country", "study": "42847922MDD3003", "country": "Czech Republic",
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000319?study_country__v%2C%2C%2CIN=0SC00000012B004"},
{"enabled": True, "name": "MDD3003 — SITE level (all sites in Czech Republic)",
"level": "site", "study": "42847922MDD3003", "country": "Czech Republic",
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000762?study_country__v%2C%2C%2CEQ=0SC00000012B004"},
{"enabled": True, "name": "UCO2001 — STUDY level",
"level": "study", "study": "77242113UCO2001", "country": None,
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000182?study__v%2C%2C%2CIN=0ST0000000OP004"},
{"enabled": True, "name": "UCO2001 — COUNTRY level (Czech Republic)",
"level": "country", "study": "77242113UCO2001", "country": "Czech Republic",
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000319?study_country__v%2C%2C%2CIN=0SC0000000YH011"},
{"enabled": True, "name": "UCO2001 — SITE level (all sites in Czech Republic)",
"level": "site", "study": "77242113UCO2001", "country": "Czech Republic",
"url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
"0RP000000000762?study_country__v%2C%2C%2CEQ=0SC0000000YH011"},
]
VAULT_UI_PATTERN = "**vtmf.veevavault.com/ui**" # úspěšný vstup do Vaultu
SCRIPT_DIR = Path(__file__).resolve().parent
PROFILE_DIR = SCRIPT_DIR / "vault_profile" # perzistentní session
ENV_FILE = SCRIPT_DIR.parent / ".env" # root projektu Janssen
DEBUG_DIR = SCRIPT_DIR / "debug" # diagnostické výstupy
EXCEL_DIR = SCRIPT_DIR / "WhatToDownload" # stažené reporty (jen Excel)
PROCESSED_DIR = EXCEL_DIR / "Zpracovano" # archiv zpracovaných
MONGO_URI = "mongodb://192.168.1.76:27017"
MONGO_DB = "VTMF"
MONGO_COLL = "documents"
RUNS_COLL = "report_runs"
# Kolik dokumentů stáhnout v tomto běhu (None = všechny zbývající)
LIMIT = None
# Pole, jejichž změny se verzují do history[]
TRACKED_FIELDS = ("name", "status", "type", "subtype", "classification",
"desc", "date", "url", "studies", "countries", "sites",
"level")
MAX_ATTEMPTS = 2 # pokusy na jeden dokument
RETRY_PAUSE_MS = 5000 # pauza před opakováním
BETWEEN_DOCS_MS = 500 # pauza mezi dokumenty
SEAWEED_FILER = "http://192.168.1.50:8888"
SEAWEED_PREFIX = "/vtmf-documents"
class PlaceholderDocument(Exception):
"""Dokument existuje jen jako placeholder — "This placeholder has no content"."""
def log(msg):
print(msg, flush=True)
def load_env_file(path):
"""Načte KEY=VALUE řádky z .env do os.environ.
Už nastavené env proměnné mají přednost, .env je nepřepisuje."""
if not path.exists():
log(f"[!] .env nenalezen: {path}")
return
for line in path.read_text(encoding="utf-8").splitlines():
line = line.strip()
if not line or line.startswith("#") or "=" not in line:
continue
key, _, value = line.partition("=")
key, value = key.strip(), value.strip().strip('"').strip("'")
if value and key not in os.environ:
os.environ[key] = value
ENV_SECTION_HEADER = "# --- Veeva Vault (J&J V-TMF) — VTMFDownloadFiles/download_vault ---"
ENV_KEYS = ("VAULT_USER", "VAULT_PASS")
def ensure_credentials():
"""Načte .env; pokud VAULT_USER/VAULT_PASS chybí, založí/doplní
v .env šablonu, vyzve uživatele k doplnění a ukončí skript."""
load_env_file(ENV_FILE)
if all(os.environ.get(k) for k in ENV_KEYS):
return
existing = ENV_FILE.read_text(encoding="utf-8") if ENV_FILE.exists() else ""
missing_lines = [f"{k}=" for k in ENV_KEYS
if not re.search(rf"^\s*{k}\s*=", existing, re.M)]
if not ENV_FILE.exists():
ENV_FILE.write_text(
"# .env — lokální přihlašovací údaje (NEVERZOVAT, je v .gitignore)\n\n"
+ ENV_SECTION_HEADER + "\n"
+ "\n".join(missing_lines) + "\n",
encoding="utf-8")
log(f"[i] Založil jsem nový .env: {ENV_FILE}")
elif missing_lines:
with open(ENV_FILE, "a", encoding="utf-8") as f:
f.write("\n" + ENV_SECTION_HEADER + "\n"
+ "\n".join(missing_lines) + "\n")
log(f"[i] Doplnil jsem chybějící řádky do .env: {ENV_FILE}")
print("\n" + "=" * 60)
print(" CHYBÍ PŘIHLAŠOVACÍ ÚDAJE.")
print(f" Doplň VAULT_USER a VAULT_PASS do souboru:")
print(f" {ENV_FILE}")
print(" a spusť skript znovu.")
print("=" * 60)
sys.exit(1)
# --- Parsování Excelu --------------------------------------------------
HYPERLINK_RE = re.compile(r'HYPERLINK\("([^"]+)"\s*,\s*"([^"]+)"\)')
VERSION_RE = re.compile(r"\((v[^)]+)\)\s*$")
DATE_RE = re.compile(r"(\d{4}-\d{2}-\d{2})")
# nepovolené znaky názvů + řídicí znaky + unicode artefakt �
BAD_CHARS_RE = re.compile(r"[<>:\"/\\|?*\x00-\x1f�]")
def clean_text(s):
"""Očistí string na rozumný název (bez nepovolených znaků)."""
s = BAD_CHARS_RE.sub("_", str(s))
s = re.sub(r"\s+", " ", s)
s = re.sub(r"_{2,}", "_", s)
return s.strip(" ._")
def display_text(cell):
"""Zobrazený text buňky — u =HYPERLINK vzorce druhý argument."""
raw = str(cell.value or "").strip()
m = HYPERLINK_RE.search(raw)
return m.group(2).strip() if m else raw
def split_multi(text):
"""Comma-separated seznam -> list (strip, bez prázdných, dedup pořadí)."""
out, seen = [], set()
for part in str(text or "").split(","):
p = part.strip()
if p and p not in seen:
seen.add(p)
out.append(p)
return out
def cell_date(cell):
"""Z buňky vytáhne datum jako 'YYYY-MM-DD' (datetime i string), nebo ''."""
v = cell.value if cell is not None else None
if hasattr(v, "strftime"):
return v.strftime("%Y-%m-%d")
m = DATE_RE.search(str(v or ""))
return m.group(1) if m else ""
def extract_doc_url(raw):
"""Z HYPERLINK hodnoty (nebo i rozbité URL) vytáhne čistou doc URL
ve tvaru https://<host>/ui/#doc_info/<id>/<major>/<minor>."""
m = re.search(r"(https://[^/\"]+/ui/#doc_info/\d+/\d+/\d+)", str(raw))
if not m:
raise ValueError(f"Nenašel jsem doc URL v: {raw!r}")
return m.group(1)
def read_documents_from_excel(path, level):
"""Načte dokumenty z .xlsx reportu dané úrovně (study/country/site).
Sloupce se hledají podle NÁZVU (study má 15, country/site 17).
Document Name/Number jsou =HYPERLINK vzorce -> URL i text regexem.
Report má rozbité deklarované rozměry -> přímá iterace řádků."""
from openpyxl import load_workbook
log(f"[i] Parsování reportu ({level}): {path.name}")
wb = load_workbook(path, data_only=False) # potřebujeme vzorce
ws = wb[wb.sheetnames[0]]
rows = ws.iter_rows()
header = [c.value for c in next(rows)]
idx = {h: i for i, h in enumerate(header) if h is not None}
required = ("Document Number", "Document Name", "Document Status",
"Type", "Subtype", "Description", "Study")
missing = [c for c in required if c not in idx]
if missing:
raise RuntimeError(f"V reportu chybí očekávané sloupce: {missing}")
i_num, i_name = idx["Document Number"], idx["Document Name"]
i_status, i_type, i_sub = idx["Document Status"], idx["Type"], idx["Subtype"]
i_desc, i_study = idx["Description"], idx["Study"]
i_class = idx.get("Classification")
i_proc = idx.get("Process Name")
i_extsys = idx.get("External System Name")
i_created = idx.get("Created By")
i_modby = idx.get("Last Modified By")
i_verby = idx.get("Version Created By")
i_country = idx.get("Study Country")
i_site = idx.get("Site")
i_date_cols = [idx.get(c) for c in
("Document Date", "Approval Complete Date", "Version Creation Date")
if idx.get(c) is not None]
def g(row, i):
return display_text(row[i]) if i is not None else ""
docs, bad = [], []
for row in rows:
cell = row[i_num]
if cell.value is None:
continue
raw = str(cell.value)
m = HYPERLINK_RE.search(raw)
if m:
url_raw, vtmf = m.group(1), m.group(2)
elif cell.hyperlink:
url_raw, vtmf = cell.hyperlink.target, raw
else:
bad.append(raw)
continue
try:
url = extract_doc_url(url_raw)
except ValueError:
bad.append(raw)
continue
name = display_text(row[i_name])
vm = VERSION_RE.search(name)
version = vm.group(1) if vm else "v?"
desc = clean_text(g(row, i_desc))
if not desc:
desc = clean_text(VERSION_RE.sub("", name))
date = ""
for i_d in i_date_cols:
date = cell_date(row[i_d])
if date:
break
docs.append({
"vtmf": vtmf.strip(),
"version": version,
"url": url,
"level": level,
"name": name,
"status": g(row, i_status),
"type": clean_text(g(row, i_type)),
"subtype": clean_text(g(row, i_sub)),
"classification": g(row, i_class),
"desc": desc,
"process_name": g(row, i_proc),
"external_system_name": g(row, i_extsys),
"created_by": g(row, i_created),
"last_modified_by": g(row, i_modby),
"version_created_by": g(row, i_verby),
"date": date,
"studies": split_multi(g(row, i_study)),
"countries": split_multi(g(row, i_country)) if i_country is not None else [],
"sites": split_multi(g(row, i_site)) if i_site is not None else [],
})
log(f"[i] Načteno {len(docs)} dokumentů"
+ (f", {len(bad)} řádků bez použitelné URL (přeskočeno)" if bad else ""))
return docs
# --- MongoDB synchronizace ---------------------------------------------
def doc_key(vtmf, version):
return f"{vtmf}|{version}"
def scope_key(report):
return f"{report['level']}|{report['study']}|{report.get('country') or ''}"
def get_db():
client = MongoClient(MONGO_URI, serverSelectionTimeoutMS=5000)
client.admin.command("ping")
db = client[MONGO_DB]
coll = db[MONGO_COLL]
coll.create_index([("vtmf", ASCENDING), ("version", ASCENDING)], unique=True)
coll.create_index([("deleted", ASCENDING), ("downloaded", ASCENDING)])
coll.create_index([("scopes", ASCENDING)])
coll.create_index([("studies", ASCENDING)])
coll.create_index([("sites", ASCENDING)])
coll.create_index([("level", ASCENDING)])
runs = db[RUNS_COLL]
runs.create_index([("level", ASCENDING), ("study", ASCENDING),
("country", ASCENDING), ("exported_at", ASCENDING)])
return db, coll, runs
def sync_report_to_mongo(coll, runs, docs, report, report_file):
"""Promítne report daného scope do kolekce documents.
- nové založí, změny polí promítne (+ history[]),
- každému dokumentu přidá scope do scopes[] (a level do levels[]),
- dokument, který z TOHOTO scope zmizel, ztratí tento scope;
bez jakéhokoli scope -> deleted=True.
Scoped mazání = sync jednoho reportu NIKDY neoznačí dokumenty
jiného scope (study/country/site) jako smazané. Žádné souborové
operace (úložiště je SeaweedFS)."""
now = datetime.now()
sk = scope_key(report)
stats = {"new": 0, "updated": 0, "unchanged": 0,
"resurrected": 0, "scope_removed": 0, "marked_deleted": 0}
current_keys = set()
for d in docs:
key = doc_key(d["vtmf"], d["version"])
current_keys.add(key)
existing = coll.find_one({"_id": key})
if existing is None:
coll.insert_one({
"_id": key, **d,
"levels": [d["level"]], "scopes": [sk],
"first_seen": now, "last_seen": now,
"deleted": False, "downloaded": False,
"seaweed_path": None, "history": [],
})
stats["new"] += 1
continue
changes = {}
for fld in TRACKED_FIELDS:
if existing.get(fld) != d.get(fld):
changes[fld] = {"old": existing.get(fld), "new": d.get(fld)}
update = {"$set": {**d, "last_seen": now, "deleted": False},
"$addToSet": {"scopes": sk, "levels": d["level"]}}
if changes:
update["$push"] = {"history": {"ts": now, "changes": changes}}
stats["updated"] += 1
else:
stats["unchanged"] += 1
if existing.get("deleted"):
stats["resurrected"] += 1
coll.update_one({"_id": key}, update)
# dokumenty dříve v TOMTO scope, které v reportu chybí -> odebrat scope
for rec in coll.find({"scopes": sk, "_id": {"$nin": list(current_keys)}}):
remaining = [s for s in rec.get("scopes", []) if s != sk]
upd = {"scopes": remaining}
op = {"$set": upd}
stats["scope_removed"] += 1
if not remaining: # už nikde -> smazáno
upd["deleted"] = True
upd["deleted_at"] = now
op["$push"] = {"history": {"ts": now,
"changes": {"deleted": {"old": False, "new": True}}}}
stats["marked_deleted"] += 1
coll.update_one({"_id": rec["_id"]}, op)
runs.insert_one({
"level": report["level"], "study": report["study"],
"country": report.get("country"), "url": report["url"],
"scope": sk, "exported_at": now,
"file": str(report_file), "row_count": len(docs),
"doc_keys": sorted(current_keys),
})
log(f"[ok] Mongo sync [{sk}]: {stats['new']} nových, {stats['updated']} změněných, "
f"{stats['unchanged']} beze změny, {stats['resurrected']} obnovených, "
f"{stats['scope_removed']} odebrán scope ({stats['marked_deleted']} úplně smazáno).")
return stats
# --- Přihlášení --------------------------------------------------------
def submit_login_form(page, password_box):
"""Odešle login formulář. Zkouší postupně tlačítka Sign On / Login /
OK / submit input; když žádné nenajde, stiskne Enter v poli hesla."""
candidates = [
page.get_by_role("button", name=re.compile("sign\\s*on", re.I)),
page.get_by_role("button", name=re.compile("log\\s*in|sign\\s*in", re.I)),
page.locator("input[type='submit']"),
page.locator("button[type='submit']"),
page.get_by_role("button", name=re.compile("^ok$", re.I)),
]
for loc in candidates:
try:
if loc.count() and loc.first.is_visible():
label = (loc.first.inner_text() or
loc.first.get_attribute("value") or "submit").strip()
log(f"[i] Odesílám formulář tlačítkem '{label}'...")
loc.first.click()
return
except Exception:
continue
log("[i] Tlačítko nenalezeno, odesílám Enterem v poli hesla...")
password_box.press("Enter")
def login_if_needed(page):
"""Otevře login URL, vyplní jméno+heslo, detekuje 2FA a počká na
ruční potvrzení. Pokud perzistentní session žije, login přeskočí."""
log(f"[i] Otevírám přihlašovací URL...")
page.goto(LOGIN_URL, wait_until="domcontentloaded")
if "vtmf.veevavault.com/ui" in page.url:
log("[i] Už přihlášen (perzistentní session).")
return
user_box = page.locator("input[type='text']").first
try:
user_box.wait_for(timeout=8000)
except PWTimeout:
if "vtmf.veevavault.com/ui" in page.url:
log("[i] Přihlášen bez formuláře (session redirect).")
return
raise RuntimeError(
f"Nenašel jsem login formulář ani Vault. Aktuální URL: {page.url}")
username = os.environ["VAULT_USER"]
password = os.environ["VAULT_PASS"]
log("[i] Vyplňuji přihlašovací údaje...")
user_box.fill(username)
password_box = page.locator("input[type='password']").first
password_box.fill(password)
submit_login_form(page, password_box)
log("[i] Odeslán login, čekám na výsledek...")
try:
page.wait_for_url(VAULT_UI_PATTERN, timeout=15000)
log("[ok] Přihlášen rovnou (bez 2FA).")
return
except PWTimeout:
pass # nejsme ve Vaultu -> pravděpodobně 2FA výzva
err = page.locator("text=/invalid|incorrect|failed/i")
try:
if err.count() and err.first.is_visible():
raise RuntimeError(f"Login selhal: {err.first.inner_text().strip()}")
except PWTimeout:
pass
print("\n" + "=" * 60)
print(" VYŽADOVÁNO OVĚŘENÍ NA TELEFONU (2FA).")
print(" Potvrď přihlášení v mobilní aplikaci.")
print("=" * 60)
input(" Až to potvrdíš, stiskni ENTER pro pokračování... ")
page.wait_for_url(VAULT_UI_PATTERN, timeout=120000)
log("[ok] Přihlášení dokončeno.")
def verify_inside(page):
"""Ověří, že jsme uvnitř Vaultu (URL na /ui)."""
page.wait_for_url(VAULT_UI_PATTERN, timeout=30000)
log(f"[ok] Uvnitř Vaultu: {page.url}")
def dialog_visible(page):
"""True, pokud je na stránce viditelný jQuery UI dialog."""
try:
dlg = page.locator(".ui-dialog")
return bool(dlg.count() and dlg.first.is_visible())
except Exception:
return False
def save_page_debug(page, tag):
"""Uloží diagnostiku stránky: screenshot, HTML všech frames a výpis
kandidátů na tlačítka. Vrátí cestu složky."""
out = DEBUG_DIR / datetime.now().strftime(f"%Y-%m-%d_%H-%M-%S_{tag}")
out.mkdir(parents=True, exist_ok=True)
try:
page.screenshot(path=str(out / "screenshot.png"), full_page=False)
except Exception as e:
(out / "screenshot_error.txt").write_text(str(e), encoding="utf-8")
report = []
for i, frame in enumerate(page.frames):
report.append(f"=== frame[{i}] url={frame.url}")
try:
(out / f"frame_{i}.html").write_text(frame.content(), encoding="utf-8")
for sel in (".ui-dialog", "a.ok.vv_button",
".ui-dialog-titlebar-close",
"button", "input[type='button']",
"[title]", "[aria-label]"):
n = frame.locator(sel).count()
if n:
report.append(f" {sel}: {n}x")
for attr in ("title", "aria-label"):
vals = frame.locator(f"[{attr}]").evaluate_all(
f"els => els.map(e => e.getAttribute('{attr}'))")
uniq = sorted({v for v in vals if v})[:80]
report.append(f" {attr}: {uniq}")
except Exception as e:
report.append(f" [chyba čtení framu: {e}]")
(out / "frames_report.txt").write_text("\n".join(report), encoding="utf-8")
log(f"[!] Diagnostika stránky uložena do: {out}")
return out
# Viditelné OK tlačítko dialogu — je to <a>, ne <button>!
# Křížek .ui-dialog-titlebar-close je display:none → NEPOUŽÍVAT.
DIALOG_OK_SELECTOR = (".ui-dialog a.ok.vv_button, "
".vv_login_msg_dialog .vv_button.ok")
def dismiss_maintenance_popup(page, timeout=8000):
"""Zavře Veeva login/maintenance dialog kliknutím na viditelné OK
(<a class='ok vv_button'>). Dialog se objevuje SE ZPOŽDĚNÍM,
proto se na něj krátce čeká. Bezpečné volat vždy."""
ok = page.locator(DIALOG_OK_SELECTOR)
try:
ok.first.wait_for(state="visible", timeout=timeout)
except PWTimeout:
return False
except Exception:
return False
closed = 0
for _ in range(5): # dialogy umí být ve frontě
try:
if ok.count() and ok.first.is_visible():
ok.first.click()
page.wait_for_timeout(300)
closed += 1
log("[i] Maintenance/login dialog zavřen (OK).")
continue
except Exception:
pass
break
if not dialog_visible(page):
return bool(closed)
page.keyboard.press("Escape")
page.wait_for_timeout(500)
log("[i] Zkusil jsem dialog zavřít klávesou Escape.")
if dialog_visible(page):
save_page_debug(page, "dialog")
print("\n" + "=" * 60)
print(" DIALOG SE NEPODAŘILO ZAVŘÍT AUTOMATICKY.")
print(" Zavři ho prosím ručně v prohlížeči.")
print("=" * 60)
input(" Po ručním zavření stiskni ENTER... ")
return bool(closed)
# --- Export reportu ----------------------------------------------------
def _first_visible(page, builders):
"""Vrátí (locator, popis) prvního viditelného kandidáta. Hledá na
hlavní stránce i ve všech frames."""
for frame in page.frames:
for build, desc in builders:
try:
loc = build(frame)
if loc.count() and loc.first.is_visible():
return loc.first, desc
except Exception:
continue
return None, None
def download_report(page, report):
"""Stáhne daný report (Export to Excel, Data Only) do WhatToDownload/
pod timestampovaným názvem. Vrátí cestu k souboru.
Při selhání uloží diagnostiku stránky do debug/ a vyhodí výjimku."""
log(f"\n[i] === Report {report['level'].upper()} "
f"({report.get('country') or report['study']}) ===")
log("[i] Otevírám report...")
page.goto(report["url"], wait_until="domcontentloaded")
dismiss_maintenance_popup(page, timeout=4000)
try:
page.wait_for_selector("text=Returned", timeout=30000)
except PWTimeout:
try:
page.wait_for_selector("text=Document Status:", timeout=30000)
except PWTimeout:
save_page_debug(page, f"report_load_{report['level']}")
raise RuntimeError(
"Report se nenačetl (nenašel jsem 'Returned' ani "
"'Document Status:'). Diagnostika v debug/.")
log("[i] Report načten, otevírám menu akcí (⋯)...")
actions, desc = _first_visible(page, [
(lambda f: f.locator(
".actionMenuContainer .dropDown.vv_dropdown_toggle "
"button.vv-icon-button"), ".actionMenuContainer button (ověřený)"),
(lambda f: f.locator(".actionMenuContainer button"), ".actionMenuContainer button (volnější)"),
(lambda f: f.locator("button[title='Actions'], [aria-label='Actions']"), "title/aria-label Actions"),
])
if actions is None:
save_page_debug(page, f"report_menu_{report['level']}")
raise RuntimeError("Nenašel jsem menu akcí (⋯) na reportu. Diagnostika v debug/.")
log(f"[i] Menu nalezeno přes: {desc}")
actions.click()
item = page.locator("a.ReportAction[data-action-name='ExcelExport']")
try:
item.first.wait_for(state="visible", timeout=15000)
except PWTimeout:
item = page.get_by_text("Export to Excel", exact=True)
try:
item.first.wait_for(state="visible", timeout=5000)
except PWTimeout:
save_page_debug(page, f"report_export_item_{report['level']}")
raise RuntimeError("Menu se otevřelo, ale položku 'Export to "
"Excel' jsem nenašel. Diagnostika v debug/.")
log("[i] Klikám 'Export to Excel'...")
item.first.click()
log("[i] Dialog Excel Export Options...")
radio = page.locator("input[name='requiredRadioField'][value='STANDARD']")
try:
radio.first.wait_for(state="visible", timeout=10000)
if not radio.first.is_checked():
radio.first.check()
log("[i] Přepnuto na 'Data Only'.")
except PWTimeout:
log("[!] Radio 'Data Only' nenalezeno — spoléhám na default dialogu.")
export_btn = page.get_by_role("button", name="Export", exact=True)
try:
export_btn.first.wait_for(state="visible", timeout=10000)
except PWTimeout:
save_page_debug(page, f"report_export_btn_{report['level']}")
raise RuntimeError("Dialog exportu bez tlačítka Export. Diagnostika v debug/.")
export_btn = export_btn.first
with page.expect_download(timeout=120000) as dl_info:
export_btn.click()
download = dl_info.value
EXCEL_DIR.mkdir(parents=True, exist_ok=True)
ts = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
dest = EXCEL_DIR / f"{ts} {report['level']} {download.suggested_filename}"
download.save_as(str(dest))
log(f"[ok] Report uložen: {dest}")
return dest
def archive_report(path):
"""Po úspěšném zpracování přesune report do Zpracovano/."""
PROCESSED_DIR.mkdir(parents=True, exist_ok=True)
target = PROCESSED_DIR / path.name
path.rename(target)
log(f"[i] Report archivován: {target}")
# --- SeaweedFS ---------------------------------------------------------
def seaweed_path(vtmf, version, ext):
"""Cesta podle identity dokumentu: /vtmf-documents/<vtmf>/<verze><ext>."""
ver = version or "vunknown"
return f"{SEAWEED_PREFIX}/{vtmf}/{ver}{ext}"
def seaweed_store(vtmf, version, ext, data, mime="application/octet-stream"):
"""Upload do SeaweedFS Filer pod cestou <vtmf>/<verze><ext>.
Vrací (path, url)."""
path = seaweed_path(vtmf, version, ext)
url = SEAWEED_FILER + path
req = urllib.request.Request(url, data=data, method="PUT",
headers={"Content-Type": mime})
urllib.request.urlopen(req, timeout=120)
return path, url
# --- Stažení dokumentů -------------------------------------------------
def find_source_file_button(page):
"""Najde ikonu Source File (list papíru se šipkou dolů, vpravo nahoře)."""
for sel in ("[title='Source File']", "[aria-label='Source File']"):
loc = page.locator(sel)
if loc.count():
return loc.first
loc = page.get_by_role("button", name=re.compile("Source File", re.I))
if loc.count():
return loc.first
return None
def download_source_bytes(page, doc):
"""Otevře dokument, stáhne Source File do dočasného souboru Playwrightu
a vrátí (data: bytes, ext: str). Žádné trvalé uložení na disk.
PlaceholderDocument když dokument nemá obsah."""
vtmf = doc["vtmf"]
log(f"[i] Otevírám dokument {vtmf} ({doc.get('version', '')}) ...")
page.goto(doc["url"], wait_until="domcontentloaded")
try:
page.wait_for_load_state("networkidle", timeout=30000)
except PWTimeout:
log("[!] networkidle nenastal do 30 s, zkouším pokračovat...")
dismiss_maintenance_popup(page, timeout=2000)
ph = page.locator("div.vv_placeholder_text")
if ph.count() and ph.first.is_visible():
log(f"[i] {vtmf}: placeholder bez obsahu — přeskakuji.")
raise PlaceholderDocument(vtmf)
target = find_source_file_button(page)
if target is None:
raise RuntimeError(
f"Nenašel jsem ikonu 'Source File' na stránce dokumentu {vtmf}.")
log("[i] Klikám na Source File a čekám na download...")
with page.expect_download(timeout=60000) as dl_info:
target.click()
try:
item = page.get_by_role("menuitem", name=re.compile("Source File", re.I))
if item.count() and item.first.is_visible():
log("[i] Otevřel se dropdown, vybírám 'Source File'...")
item.first.click()
except Exception:
pass
download = dl_info.value
ext = Path(download.suggested_filename).suffix
tmp = download.path() # dočasný soubor Playwrightu
data = Path(tmp).read_bytes()
return data, ext
def download_missing(page, coll):
"""Stáhne všechny nesmazané dokumenty bez downloaded=True PŘÍMO do
SeaweedFS (žádný disk). Výsledek každého se ihned zapíše do Mongo."""
todo = list(coll.find({"deleted": False, "downloaded": {"$ne": True}})
.sort([("level", ASCENDING), ("vtmf", ASCENDING),
("version", ASCENDING)]))
if LIMIT:
todo = todo[:LIMIT]
log(f"\n[i] Ke stažení: {len(todo)} dokumentů"
+ (f" (LIMIT={LIMIT})" if LIMIT else ""))
ok_count = fail_count = placeholder_count = 0
for n, doc in enumerate(todo, 1):
key = doc["_id"]
log(f"\n--- [{n}/{len(todo)}] {key} | {doc.get('level', '?')} | {doc['desc'][:60]}")
last_err = None
for attempt in range(1, MAX_ATTEMPTS + 1):
try:
data, ext = download_source_bytes(page, doc)
size_kb = len(data) / 1024
size_str = f"{size_kb:.0f} KB" if size_kb < 1024 else f"{size_kb / 1024:.1f} MB"
sha256_hex = hashlib.sha256(data).hexdigest()
mime = mimetypes.guess_type("f" + ext)[0] or "application/octet-stream"
sw_path, sw_url = seaweed_store(doc["vtmf"], doc["version"], ext, data, mime)
log(f"[ok] {size_str} -> SeaweedFS {sw_path}")
coll.update_one({"_id": key}, {"$set": {
"downloaded": True,
"downloaded_at": datetime.now(),
"sha256": sha256_hex,
"seaweed_path": sw_path, "seaweed_url": sw_url,
"seaweed_synced_at": datetime.now(),
"last_error": None}})
ok_count += 1
last_err = None
break
except PlaceholderDocument:
coll.update_one({"_id": key}, {"$set": {
"downloaded": True, "placeholder": True,
"downloaded_at": datetime.now(), "last_error": None}})
placeholder_count += 1
last_err = None
break
except Exception as e:
last_err = e
log(f"[!] Pokus {attempt}/{MAX_ATTEMPTS} selhal: {e}")
if attempt < MAX_ATTEMPTS:
page.wait_for_timeout(RETRY_PAUSE_MS)
if last_err is not None:
coll.update_one({"_id": key}, {"$set": {
"last_error": str(last_err), "error_at": datetime.now()}})
fail_count += 1
page.wait_for_timeout(BETWEEN_DOCS_MS)
return ok_count, fail_count, placeholder_count
# --- Main --------------------------------------------------------------
def main():
ensure_credentials()
db, coll, runs = get_db()
log(f"[ok] Mongo připojeno: {MONGO_URI} / {MONGO_DB}.{MONGO_COLL}")
with sync_playwright() as p:
ctx = p.chromium.launch_persistent_context(
user_data_dir=str(PROFILE_DIR),
headless=False,
accept_downloads=True,
no_viewport=True,
args=["--start-maximized"],
)
page = ctx.pages[0] if ctx.pages else ctx.new_page()
ok_count = fail_count = placeholder_count = 0
pipeline_error = None
try:
# 1) login
login_if_needed(page)
verify_inside(page)
dismiss_maintenance_popup(page)
# 2+3) pro každý ZAPNUTÝ report: export -> parse -> scoped sync
log("\n[i] Plán reportů:")
for r in REPORTS:
flag = "ZAP" if r.get("enabled", True) else "VYP"
log(f" [{flag}] {r.get('name', r['level'])}")
for report in REPORTS:
if not report.get("enabled", True):
log(f"\n[i] Přeskakuji (enabled=False): {report.get('name', report['level'])}")
continue
report_path = download_report(page, report)
docs = read_documents_from_excel(report_path, report["level"])
before = len(docs)
docs = [d for d in docs if report["study"] in d["studies"]]
if before != len(docs):
log(f"[i] Ořez na {report['study']}: {len(docs)}/{before} řádků.")
if not docs:
log(f"[!] Report {report['level']} prázdný (po ořezu) — "
f"sync přeskočen, nic se nemaže.")
archive_report(report_path)
continue
sync_report_to_mongo(coll, runs, docs, report, report_path)
archive_report(report_path)
# 4) jeden průchod stažení všeho nestaženého do SeaweedFS
ok_count, fail_count, placeholder_count = download_missing(page, coll)
except KeyboardInterrupt:
log("\n[!] Přerušeno uživatelem — stav je v Mongo, příští běh naváže.")
except Exception as e:
pipeline_error = e
print("\n" + "=" * 60)
print(" PIPELINE SELHALA!")
print(f" {type(e).__name__}: {e}")
print("=" * 60)
finally:
total = coll.count_documents({})
active = coll.count_documents({"deleted": False})
have = coll.count_documents({"deleted": False, "downloaded": True})
log(f"\n[i] Výsledek běhu: {ok_count} staženo, "
f"{placeholder_count} placeholderů, {fail_count} chyb"
+ (f", PIPELINE SELHALA ({pipeline_error})" if pipeline_error else "."))
log(f"[i] Mongo: {total} záznamů celkem, {active} aktivních, "
f"z toho v SeaweedFS {have} ({active - have} zbývá).")
log("[i] Zavírám prohlížeč.")
ctx.close()
sys.exit(2 if pipeline_error else (1 if fail_count else 0))
if __name__ == "__main__":
main()
Reference in New Issue View Git Blame Copy Permalink