feat(tools): build_kompas3d_sdk.py — конвертация HTML-справки SDK в MD с группировкой по интерфейсам

- Группировка 26K HTML-страниц по COM-интерфейсному префиксу (one MD per interface)
- Пропуск KsAPI (ksapi_*.html) — используется только COM API5/API7
- YAML-фронтматтер: type, api, domain, tags, sources
- Изображения копируются файлами в resources/ (не base64), collision-safe именование
- Классификация: interface / enum / struct / guide по имени и заголовку
- Теги API-версии (api7/api5) и домена (3d, 2d, sketch, assembly, ...)
- Генерация docs/Kompas3D_SDK/index.md с TOC по 4 категориям
- Добавлен docs/Kompas3D_SDK/ в .gitignore (генерируемый артефакт)

Результат: 3080 статей, 860 интерфейсов, 392 enum, 428 структур, 1400 руководств, 25 изображений

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
This commit is contained in:
2026-05-26 18:13:37 +03:00
parent 498eeaa847
commit 1644ff82e0
2 changed files with 479 additions and 0 deletions
+8
View File
@@ -50,6 +50,11 @@ Desktop.ini
# ---- Scratch: тестовые документы КОМПАС, снимки рендера --------------------
.scratch/
# ---- Use case'ы проработки MCP (локальная песочница, не разделяется) --------
# Папки кейсов с описаниями (case.md) и артефактами построений (.m3d, .png …).
# Каркас и правила — в usecases/README.md (см. там же шаблон _TEMPLATE/).
usecases/
# ============================================================================
# Большие вендорские/генерируемые артефакты — НЕ коммитим
# ============================================================================
@@ -61,6 +66,9 @@ docs/KOMPAS_SDK_ru-RU/
# Индекс справки, генерируется командой: python .claude/skills/kompas-sdk-research/kdoc.py build-index
docs/kompas_sdk_index.tsv
# MD-база знаний SDK, генерируется командой: python tools/build_kompas3d_sdk.py
docs/Kompas3D_SDK/
# ============================================================================
# Отслеживается НАМЕРЕННО (нужно для сборки), не игнорировать:
# libs/kompas-interop/*.dll — interop-сборки КОМПАС из SDK (Samples/Common)
+471
View File
@@ -0,0 +1,471 @@
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
build_kompas3d_sdk.py — Преобразование KOMPAS SDK HTML-справки в
структурированную базу знаний docs/Kompas3D_SDK/.
Стратегия:
- Группировка: одна MD-статья на COM-интерфейс/тему (по префиксу имени файла).
- Изображения: копируются файлами в resources/ (не base64).
- KsAPI (ksapi_*.html): пропускаются.
- Фронтматтер: type, api, domain, tags, sources.
Запуск (из корня репо):
python tools/build_kompas3d_sdk.py
"""
import os
import sys
import re
import shutil
import html as hmod
from html.parser import HTMLParser
from pathlib import Path
from collections import defaultdict
from typing import Optional
HERE = Path(__file__).resolve().parent.parent
DOC_DIR = HERE / "docs" / "KOMPAS_SDK_ru-RU"
INDEX_PATH = HERE / "docs" / "kompas_sdk_index.tsv"
OUT_DIR = HERE / "docs" / "Kompas3D_SDK"
RESOURCES_DIR = OUT_DIR / "resources"
UI_IMAGE_PREFIXES = [
"leftright", "toc", "mob_", "TextPlus", "TextMinus", "TextNormal",
"ZoomIn", "ZoomClose", "spacer.gif", "bg.png", "page-bg.png",
"blackpaisley.jpeg", "banner_company", "kompas_logo_circle",
"kompas-logo", "internet.svg", "icon-new-window", "icon-open-file",
"warn", "note", "closehelp", "cicon_loadindex_ani", "kw-page",
"social_mail", "_a", "_praezession", "kbd.png", "page-icon",
"logo-image-desk", "logo-image-mobile", "close_data", "open_data",
]
NOISE_WORDS = {
"please enable javascript to view this site.",
"scroll", "предыдущий", "вверх", "следующий",
"содержание", "содержане", "указатель", "поиск",
"подразделы:", "(отсутствуют)", "поделиться",
}
FOOTER_RE = re.compile(r"©?\s*ООО\s*«?АСКОН")
# ─── Утилиты ────────────────────────────────────────────────────────────────
def is_informative_image(src: str) -> bool:
basename = os.path.basename(src).lower()
for prefix in UI_IMAGE_PREFIXES:
if prefix.lower() in basename:
return False
img_path = DOC_DIR / src
if img_path.exists() and img_path.stat().st_size < 500:
return False
return True
class TopicExtractor(HTMLParser):
BLOCK_TAGS = {"p", "div", "br", "tr", "li", "h1", "h2", "h3", "h4",
"table", "pre", "td", "th"}
VOID_TAGS = {"img", "input", "link", "meta", "hr", "area", "base",
"col", "embed", "source", "track", "wbr"}
def __init__(self):
super().__init__(convert_charrefs=True)
self.depth = 0
self.capturing = False
self.skip = 0
self.out = []
def handle_starttag(self, tag, attrs):
attrd = dict(attrs)
if not self.capturing and attrd.get("id") == "topicbody":
self.capturing = True
self.depth = 1
return
if not self.capturing:
return
if tag in ("script", "style"):
self.skip += 1
if tag in self.BLOCK_TAGS:
self.out.append("\n")
if tag not in ("br",) and tag not in self.VOID_TAGS:
self.depth += 1
def handle_endtag(self, tag):
if not self.capturing:
return
if tag in ("script", "style") and self.skip:
self.skip -= 1
if tag != "br":
self.depth -= 1
if self.depth <= 0:
self.capturing = False
def handle_data(self, data):
if self.capturing and not self.skip:
self.out.append(data)
def clean_text(raw: str) -> list[str]:
cleaned = []
for line in raw.splitlines():
s = re.sub(r"[ \t]+", " ", line).strip()
if not s:
continue
if s.lower() in NOISE_WORDS:
continue
if FOOTER_RE.search(s):
break
cleaned.append(s)
return cleaned
def extract_title_and_breadcrumbs(html_content: str) -> tuple[str, list[tuple[str, str]]]:
title = ""
for m in re.finditer(r'<title>(.*?)</title>', html_content):
title = hmod.unescape(m.group(1)).strip()
break
if not title:
for m in re.finditer(r'<p\s+class="topictitle"[^>]*>(.*?)</p>', html_content, re.DOTALL):
title = re.sub(r'<[^>]+>', '', m.group(1)).strip()
title = hmod.unescape(title)
break
breadcrumbs = []
bc_match = re.search(
r'<p\s+id="ptopic_breadcrumbs"[^>]*>(.*?)</p>',
html_content, re.DOTALL)
if bc_match:
bc_html = bc_match.group(1)
for a_m in re.finditer(r'<a[^>]+href="([^"]*)"[^>]*>(.*?)</a>', bc_html, re.DOTALL):
href = a_m.group(1)
text = re.sub(r'<[^>]+>', '', a_m.group(2)).strip()
text = hmod.unescape(text)
if text:
breadcrumbs.append((text, os.path.basename(href)))
return title, breadcrumbs
def read_index() -> list[dict]:
pages = []
with open(INDEX_PATH, "r", encoding="utf-8") as f:
for line in f:
parts = line.rstrip("\n").split("\t")
if len(parts) >= 1 and parts[0]:
pages.append({
"file": parts[0],
"title": parts[1] if len(parts) > 1 else "",
"desc": parts[2] if len(parts) > 2 else "",
})
return pages
# ─── Группировка ─────────────────────────────────────────────────────────────
def get_group_key(filename: str) -> str:
"""
Извлекает ключ группы из имени файла.
Стратегия: часть до первого '_' (после удаления ведущего '_').
Примеры:
'iapplication_visible.html''iapplication'
'iapplication_visible_ex.html''iapplication'
'_dkgax_caption.html''dkgax'
'3d_curves.html''3d'
'zoomtypeenum.html''zoomtypeenum' (standalone)
"""
stem = filename.replace(".html", "")
if stem.startswith("_"):
stem = stem[1:]
parts = stem.split("_", 1)
return parts[0] if len(parts) > 1 else stem
def build_groups(pages: list[dict]) -> dict[str, list[dict]]:
"""
Разбивает страницы на группы по ключу.
Пропускает ksapi_* (KsAPI — Qt/C++ cross-platform, не нужен).
"""
raw: dict[str, list[dict]] = defaultdict(list)
for page in pages:
fname = page["file"]
if fname.startswith("ksapi_"):
continue
key = get_group_key(fname)
raw[key].append(page)
return dict(raw)
# ─── Классификация ───────────────────────────────────────────────────────────
def classify_type(group_key: str, representative_title: str) -> str:
"""Определяет тип: 'interface', 'enum', 'struct', 'guide'."""
key = group_key.lower()
title = representative_title.lower()
if key.endswith("enum") or "enum" in title or "перечислени" in title:
return "enum"
if re.match(r"^i[a-z]", key):
return "interface"
if any(s in key for s in ["param", "definition", "struct"]):
return "struct"
if any(s in title for s in ["параметры", "структура", "param "]):
return "struct"
return "guide"
def extract_api_version(title: str, breadcrumbs: list[tuple[str, str]]) -> list[str]:
all_text = (title + " " + " ".join(t for t, _ in breadcrumbs)).lower()
versions = []
if "версия 7" in all_text or "api7" in all_text or "api 7" in all_text:
versions.append("api7")
if "api5" in all_text or "api 5" in all_text:
versions.append("api5")
return versions or ["api7"]
def extract_domain_tags(title: str, breadcrumbs: list[tuple[str, str]]) -> list[str]:
all_text = (title + " " + " ".join(t for t, _ in breadcrumbs)).lower()
domain_map = {
"3d": ["3d", "трёхмерн", "", "solid", "тело"],
"2d": ["2d", "двухмерн", "", "плоск"],
"sketch": ["эскиз"],
"assembly": ["сборк", "компонент", "assembly"],
"sheetmetal": ["листовой", "сгиб", "гибк"],
"drawing": ["чертёж", "чертеж", "drawing", "выносн"],
"feature": ["операци", "feature", "выдавлив", "вращени", "скругл", "фаск"],
}
found = []
for domain, keywords in domain_map.items():
if any(k in all_text for k in keywords):
found.append(domain)
return found
def build_tags(article_type: str, api_versions: list[str],
domain_tags: list[str], group_key: str) -> list[str]:
tags = [article_type] + api_versions + domain_tags + [group_key]
return list(dict.fromkeys(tags))
# ─── Парсинг HTML ────────────────────────────────────────────────────────────
def parse_page(fpath: Path) -> Optional[dict]:
"""Парсит одну HTML-страницу. Возвращает None если страница пустая."""
try:
html_content = fpath.read_text(encoding="utf-8-sig")
except Exception as e:
print(f" ⚠ Ошибка чтения {fpath.name}: {e}", file=sys.stderr)
return None
title, breadcrumbs = extract_title_and_breadcrumbs(html_content)
extractor = TopicExtractor()
extractor.feed(html_content)
raw_text = "".join(extractor.out)
body_lines = clean_text(raw_text)
if not body_lines or len(body_lines) <= 2:
return None
image_srcs: list[tuple[Path, str]] = []
for m in re.finditer(r'<img[^>]+>', html_content):
tag = m.group()
src_m = re.search(r'''src=["']([^"']+)["']''', tag)
alt_m = re.search(r'''alt=["']([^"']*)["']''', tag)
if not src_m:
continue
src = src_m.group(1)
alt = alt_m.group(1) if alt_m else ""
if is_informative_image(src):
img_path = DOC_DIR / src
if img_path.exists():
image_srcs.append((img_path, alt))
# HTML entities are already decoded by TopicExtractor(convert_charrefs=True)
# No need to unescape again
return {
"title": title,
"breadcrumbs": breadcrumbs,
"body_lines": body_lines,
"image_srcs": image_srcs,
}
# ─── Изображения ─────────────────────────────────────────────────────────────
def copy_image(img_path: Path) -> str:
"""Копирует изображение в resources/ и возвращает уникальное имя файла."""
RESOURCES_DIR.mkdir(parents=True, exist_ok=True)
# Build collision-safe name from relative path: "images/foo.png" → "images_foo.png"
try:
rel = img_path.relative_to(DOC_DIR)
dest_name = str(rel).replace(os.sep, "_").replace("/", "_")
except ValueError:
dest_name = img_path.name # fallback if not under DOC_DIR
dest = RESOURCES_DIR / dest_name
if not dest.exists():
shutil.copy2(img_path, dest)
return dest_name
# ─── Генерация MD ────────────────────────────────────────────────────────────
SUBDIR_FOR_TYPE = {
"interface": "interfaces",
"enum": "enums",
"struct": "structures",
"guide": "guides",
}
def render_article(group_key: str, pages_data: list[dict],
article_type: str, source_files: list[str]) -> str:
"""Генерирует содержимое MD-файла для группы страниц."""
rep = pages_data[0]
title = rep["title"]
breadcrumbs = rep["breadcrumbs"]
api_versions = extract_api_version(title, breadcrumbs)
domain_tags = extract_domain_tags(title, breadcrumbs)
tags = build_tags(article_type, api_versions, domain_tags, group_key)
fm_lines = [
"---",
f'title: "{title}"',
f"type: {article_type}",
f"api: [{', '.join(api_versions)}]",
]
if domain_tags:
fm_lines.append(f"domain: [{', '.join(domain_tags)}]")
fm_lines.append(f"tags: [{', '.join(tags)}]")
fm_lines.append("sources:")
for sf in source_files:
fm_lines.append(f" - {sf}")
fm_lines.append("---")
fm_lines.append("")
md_parts = ["\n".join(fm_lines)]
if breadcrumbs:
bc_text = " > ".join(t for t, _ in breadcrumbs)
md_parts.append(f"*{bc_text}*\n")
for page_data in pages_data:
page_title = page_data["title"]
if len(pages_data) > 1:
md_parts.append(f"\n## {page_title}\n")
for img_path, alt in page_data["image_srcs"]:
img_name = copy_image(img_path)
alt_clean = alt.replace('"', "'")
md_parts.append(f"![{alt_clean}](../resources/{img_name})\n")
md_parts.append("\n".join(page_data["body_lines"]))
md_parts.append("")
return "\n".join(md_parts)
# ─── Главная функция ──────────────────────────────────────────────────────────
def main():
for _s in (sys.stdout, sys.stderr):
try:
_s.reconfigure(encoding="utf-8")
except Exception:
pass
print(f"Входная справка: {DOC_DIR}")
print(f"Выходная база: {OUT_DIR}")
for subdir in SUBDIR_FOR_TYPE.values():
(OUT_DIR / subdir).mkdir(parents=True, exist_ok=True)
RESOURCES_DIR.mkdir(parents=True, exist_ok=True)
pages = read_index()
print(f"Страниц в индексе: {len(pages)}")
groups = build_groups(pages)
print(f"Групп после группировки: {len(groups)}")
stats = {"processed": 0, "skipped": 0, "errors": 0, "images_copied": 0}
index_entries: list[tuple[str, str, str]] = []
for group_key, group_pages in sorted(groups.items()):
pages_data: list[dict] = []
source_files: list[str] = []
rep_title = ""
for page_info in group_pages:
fname = page_info["file"]
fpath = DOC_DIR / fname
if not fpath.exists():
stats["skipped"] += 1
continue
parsed = parse_page(fpath)
if parsed is None:
stats["skipped"] += 1
continue
pages_data.append(parsed)
source_files.append(fname)
if not rep_title:
rep_title = parsed["title"]
stats["images_copied"] += len(parsed["image_srcs"])
if not pages_data:
continue
article_type = classify_type(group_key, rep_title)
subdir = SUBDIR_FOR_TYPE.get(article_type, "guides")
out_name = group_key + ".md"
out_path = OUT_DIR / subdir / out_name
try:
content = render_article(group_key, pages_data, article_type, source_files)
out_path.write_text(content, encoding="utf-8")
stats["processed"] += 1
index_entries.append((subdir, out_name, rep_title))
except Exception as e:
print(f" ⚠ Ошибка записи {out_name}: {e}", file=sys.stderr)
stats["errors"] += 1
_write_index(index_entries)
print(f"\n✅ Done!")
print(f" Статей записано: {stats['processed']}")
print(f" Страниц пропущено: {stats['skipped']}")
print(f" Ошибок: {stats['errors']}")
print(f" Изображений: {stats['images_copied']}")
def _write_index(entries: list[tuple[str, str, str]]):
"""Генерирует docs/Kompas3D_SDK/index.md с оглавлением по категориям."""
lines = [
"# КОМПАС-3D SDK — База знаний\n",
"> Автоматически сгенерировано из `docs/KOMPAS_SDK_ru-RU/` скриптом `build_kompas3d_sdk.py`.\n",
"",
]
categories = {
"interfaces": "## Интерфейсы (COM API)",
"enums": "## Перечисления",
"structures": "## Структуры и параметры",
"guides": "## Руководства и концепции",
}
by_subdir: dict[str, list[tuple[str, str]]] = defaultdict(list)
for subdir, fname, title in sorted(entries, key=lambda x: x[2]):
by_subdir[subdir].append((fname, title))
for subdir, header in categories.items():
if subdir not in by_subdir:
continue
lines.append(header)
for fname, title in by_subdir[subdir]:
lines.append(f"- [{title}](./{subdir}/{fname})")
lines.append("")
(OUT_DIR / "index.md").write_text("\n".join(lines), encoding="utf-8")
print(f" index.md: {len(entries)} ссылок")
if __name__ == "__main__":
main()