janssen/Soubory/enrich_files_v1.0.md

enrich_files_v1.0

Verze: 1.0 Datum: 2026-06-03 Skript: enrich_files_v1.0.py

Účel

Doplnit do existujících záznamů v MongoDB soubory.* pole content.* parsovaná z obsahu souborů.

Spouští se až po scan_files_v1.0.py.

Podporované přípony a pole

ext	knihovna	pole v content
pdf	pypdf	pages, encrypted, author, title, subject, creator, producer, created, modified, text_head
docx	python-docx	author, title, subject, last_modified_by, paragraphs, words, created, modified, text_head
xlsx, xlsm	openpyxl	total_sheets, sheets[{name,rows,cols}], author, title, subject, last_modified_by, created, modified
pptx	python-pptx	slides, author, title, subject, last_modified_by, created, modified, text_head (z prvních 3 snímků)
eml	stdlib email	subject, from, to, cc, date, has_attachments, attachments[], body_head
msg	extract_msg	totéž co eml

Společná pole vždy: ok (bool), parsed_at, parser_version, sha256_at_parse. Při chybě error (název výjimky + zpráva).

Inkrementální chování

Zpracují se jen dokumenty kde:

• content chybí, NEBO
• content.parser_version != aktuální verze (1.0), NEBO
• content.sha256_at_parse != aktuální sha256 (soubor se změnil)

Při dalším spuštění přidá jen nové/změněné. Při zvýšení verze parseru přeparsuje vše.

Limity (skip)

• PDF nad 500 MB → ok=False, error="too_big_..."
• XLSX nad 200 MB → ok=False
• ostatní nad 300 MB → ok=False

text_head max 2000 znaků.

Spuštění

python U:\PythonProject\Janssen\Soubory\enrich_files_v1.0.py

Plán

Po doběhnutí ověřit content.ok rate, případně doladit (chybové vzory) a teprve pak stavět MCP_SOUBORY server.