3d4fcecbb2
Оба массовых источника исчерпаны — wikipedia_ru и pmc_bulk отдают ноль, сторож честно пишет «источник исчерпан, пропускаем», и корпус стоит. Брать новые статьи неоткуда, а главная дыра прежняя: полный текст есть у 11% корпуса, по-русски — почти нигде (CyberLeninka отдаёт только HTML страницы, тела статьи там нет вовсе). CORE кладёт готовый текст прямо в выдачу поиска: его не надо ни качать отдельно, ни извлекать из PDF. Парсер массовый, как Википедия и PMC — отдаёт статьи генератором, пишется пачками через COPY, помнит позицию. Что выяснено живьём и учтено в коде: - у /v3/search/works обязателен слэш на конце, иначе 301, а на редиректе теряется заголовок Authorization и запрос уходит анонимным; - offset упирается в 100 000 (под капотом Azure Search), поэтому выборка режется по годам, а позиция продолжения — строка «год:смещение»; - fullText не фильтруемое поле, _exists_:fullText отвечает 500 — статьи с текстом приходится отбирать на своей стороне; - CORE отдаёт одну статью под разными id из разных репозиториев, а корпус дедуплицируется только по ext_id: такие пары легли бы отдельными документами и ловились бы как заимствование друг у друга. Отсеиваем по хешу начала текста в пределах прогона. Позиция указывает на страницу, из которой пришла статья, а не на следующую: пачка может прерваться на середине страницы, и тогда прогон перечитает её целиком. Лишний запрос дешевле потерянных статей, дубли отсекает ON CONFLICT. Замер на живом API: страница в 100 записей приходит за ~7с. В общем потоке CORE кириллицы нет вовсе (0 из 48 полных текстов за 2019), язык размечен негодно — сплошь None и «zz». Зато работает отбор по архиву: запрос по 41 вузовскому репозиторию России и Беларуси даёт 79 полных текстов из 100 записей, 78 из них кириллические. Список архивов живёт в поле query источника, а не в коде — правится из админки без пересборки. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
238 lines
13 KiB
Python
238 lines
13 KiB
Python
"""Парсер CORE (core.ac.uk) — полные тексты открытых репозиториев.
|
||
|
||
Зачем нужен: полный текст есть у малой доли корпуса, и по-русски дыра самая
|
||
большая — CyberLeninka отдаёт только HTML-страницу статьи, тела не даёт. CORE
|
||
агрегирует открытые репозитории (в том числе вузовские русско- и
|
||
белорусскоязычные) и кладёт готовый текст прямо в выдачу поиска — его не надо
|
||
ни скачивать отдельно, ни извлекать из PDF.
|
||
|
||
Замер на живом API 16.09.2026: страница в 100 записей приходит за ~7с и
|
||
содержит 47 статей с текстом длиннее 1500 символов, медиана — 12.7 тыс.
|
||
символов. То есть один запрос ≈ 47 документов корпуса.
|
||
|
||
Чем сузить выборку до русских текстов: в общем потоке CORE кириллицы нет
|
||
вовсе (проверено: 0 из 48 полных текстов за 2019). Язык у работ размечен
|
||
плохо — `language` сплошь None или "zz", фильтровать по нему нельзя. Зато
|
||
работает отбор по архиву-поставщику: запрос вида
|
||
`(repositories.id:1298 OR repositories.id:21908 OR ...)` по вузовским
|
||
репозиториям России и Беларуси даёт 79 полных текстов из 100 записей, 78 из
|
||
них — кириллица. Сам список архивов живёт в поле `query` источника, а не в
|
||
коде: его правят из админки, не пересобирая образ.
|
||
|
||
Массовый парсер (`bulk = True`): отдаёт статьи генератором и пишется пачками
|
||
через COPY, как Википедия и PMC (см. bulk_writer.py). Статьи без текста
|
||
пропускаются молча — они уже есть у нас как метаданные из OpenAlex, а
|
||
обогащать корпус нечем.
|
||
|
||
Грабли API, все проверены живьём:
|
||
- у `/v3/search/works` обязателен слэш на конце: иначе 301, а при редиректе
|
||
теряется заголовок Authorization и запрос уходит анонимным;
|
||
- `offset` упирается в 100 000 (под капотом Azure Search, глубже — 400),
|
||
поэтому выборка режется по годам: в каждом году свой отсчёт;
|
||
- `fullText` — не фильтруемое поле, `_exists_:fullText` отвечает 500.
|
||
Отбирать статьи с текстом приходится на своей стороне, оплачивая трафиком;
|
||
- CORE агрегирует репозитории и отдаёт одну статью несколько раз под разными
|
||
id (проверено: 90810208 и 354263199 — один текст). Дедупликация корпуса
|
||
идёт только по ext_id, поэтому такие пары легли бы отдельными документами
|
||
и потом ловились бы как заимствование друг у друга. Отсеиваем по хешу
|
||
текста в пределах прогона: копии приходят в соседних строках выдачи.
|
||
"""
|
||
|
||
import hashlib
|
||
import logging
|
||
import os
|
||
import time
|
||
from collections.abc import Iterator
|
||
from datetime import UTC, datetime
|
||
from typing import Any
|
||
|
||
import httpx
|
||
from base import BaseParser, ProgressCallback
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
API_URL = "https://api.core.ac.uk/v3/search/works/" # слэш обязателен, см. докстринг
|
||
PAGE = 100 # максимум записей за запрос
|
||
MAX_OFFSET = 100_000 # потолок глубины у Azure Search
|
||
MIN_CHARS = 1500 # короче — обрывок или аннотация, а не статья
|
||
DEFAULT_YEAR_FROM = 2010
|
||
RETRIES = 3
|
||
|
||
|
||
class COREParser(BaseParser):
|
||
"""Полные тексты из CORE. Отдаёт статьи потоком, режет выборку по годам."""
|
||
|
||
source_name = "core"
|
||
bulk = True
|
||
|
||
def __init__(self, api_key: str | None = None) -> None:
|
||
super().__init__()
|
||
self.api_key = api_key or os.environ.get("CORE_API_KEY", "")
|
||
if not self.api_key:
|
||
logger.warning("CORE: ключ не задан (CORE_API_KEY) — API ответит 401")
|
||
# Страница весит ~5 МБ, 12с как у PMC тут мало: обычный ответ ~7с.
|
||
# 60с — с запасом на джиттер, но без риска съесть весь бюджет прогона
|
||
self.client = httpx.Client(
|
||
timeout=60,
|
||
headers={
|
||
"Authorization": f"Bearer {self.api_key}",
|
||
"User-Agent": "AcademicHelper/1.0 (noreply@jze9.ru)",
|
||
},
|
||
)
|
||
self.last_token: str | None = None
|
||
|
||
def fetch( # type: ignore[override]
|
||
self,
|
||
limit: int = 1000,
|
||
query: str = "",
|
||
year_from: int | None = None,
|
||
year_to: int | None = None,
|
||
resume_token: str | None = None,
|
||
progress_cb: ProgressCallback | None = None,
|
||
**_ignored: Any,
|
||
) -> Iterator[dict[str, Any]]:
|
||
"""Статьи с полным текстом, год за годом от свежих к старым.
|
||
|
||
Args:
|
||
limit: сколько статей с текстом отдать за прогон
|
||
query: поисковый запрос CORE; пустой — всё за год
|
||
year_from: нижняя граница годов (включительно)
|
||
year_to: верхняя граница; по умолчанию текущий год
|
||
resume_token: позиция вида "2019:4200" — год и смещение в нём
|
||
progress_cb: см. base.ProgressCallback
|
||
"""
|
||
top = year_to or datetime.now(UTC).year
|
||
bottom = year_from or DEFAULT_YEAR_FROM
|
||
years = list(range(top, bottom - 1, -1))
|
||
|
||
start_year, start_offset = self._parse_token(resume_token)
|
||
if start_year in years:
|
||
years = years[years.index(start_year):]
|
||
else:
|
||
start_offset = 0
|
||
|
||
given = 0
|
||
seen: set[str] = set()
|
||
for year in years:
|
||
offset = start_offset
|
||
start_offset = 0 # смещение относится только к году из токена
|
||
|
||
while given < limit and offset < MAX_OFFSET:
|
||
results = self._page(query, year, offset)
|
||
if results is None: # API не ответил — прогон закончен
|
||
return
|
||
if not results:
|
||
logger.info("CORE: год %d исчерпан на смещении %d", year, offset)
|
||
break
|
||
|
||
token = f"{year}:{offset}"
|
||
for work in results:
|
||
text = work.get("fullText") or ""
|
||
if len(text) < MIN_CHARS:
|
||
continue
|
||
# Дубли CORE: один текст под разными id (см. докстринг).
|
||
# Хеша начала текста хватает — совпадение первых 5 тыс.
|
||
# символов у разных статей практически исключено
|
||
digest = hashlib.sha1(text[:5000].encode()).hexdigest()
|
||
if digest in seen:
|
||
continue
|
||
seen.add(digest)
|
||
given += 1
|
||
# Токен указывает на страницу, из которой пришла статья, а
|
||
# не на следующую: пачка может прерваться на её середине, и
|
||
# тогда следующий прогон перечитает страницу целиком.
|
||
# Лишний запрос дешевле потерянных статей, дубли отсекает
|
||
# ON CONFLICT на ext_id
|
||
work["resume_token"] = token
|
||
yield work
|
||
if given >= limit:
|
||
break
|
||
|
||
offset += PAGE
|
||
self.last_token = f"{year}:{offset}"
|
||
if progress_cb and not progress_cb(given):
|
||
logger.info("CORE: выборка остановлена по запросу (%d)", given)
|
||
return
|
||
|
||
logger.info("CORE: годы %d-%d пройдены, отдано %d", bottom, top, given)
|
||
|
||
@staticmethod
|
||
def _parse_token(token: str | None) -> tuple[int | None, int]:
|
||
"""Разобрать позицию "год:смещение"; мусор — начать сначала."""
|
||
if not token or ":" not in token:
|
||
return None, 0
|
||
year, _, offset = token.partition(":")
|
||
try:
|
||
return int(year), int(offset)
|
||
except ValueError:
|
||
logger.warning("CORE: непонятная позиция %r, начинаем сначала", token)
|
||
return None, 0
|
||
|
||
def _page(self, query: str, year: int, offset: int) -> list[dict[str, Any]] | None:
|
||
"""Одна страница выдачи; None — API не отвечает, прогон пора кончать."""
|
||
q = f"yearPublished:{year}"
|
||
if query:
|
||
q = f"({query}) AND {q}"
|
||
params = {"q": q, "limit": PAGE, "offset": offset}
|
||
|
||
for attempt in range(RETRIES):
|
||
try:
|
||
resp = self.client.get(API_URL, params=params)
|
||
if resp.status_code == 429:
|
||
# Лимит тарифа: подождать и повторить, а не ронять прогон
|
||
wait = int(resp.headers.get("retry-after", 30))
|
||
logger.warning("CORE: лимит запросов, ждём %dс", wait)
|
||
time.sleep(min(wait, 60))
|
||
continue
|
||
resp.raise_for_status()
|
||
return resp.json().get("results") or []
|
||
except Exception as e:
|
||
logger.warning(
|
||
"CORE: страница %d:%d не удалась (%d/%d): %s",
|
||
year, offset, attempt + 1, RETRIES, e,
|
||
)
|
||
time.sleep(2 * (attempt + 1))
|
||
|
||
logger.error("CORE: страница %d:%d не далась за %d попыток", year, offset, RETRIES)
|
||
return None
|
||
|
||
def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
|
||
"""Привести статью CORE к унифицированному формату корпуса."""
|
||
ext = raw.get("id")
|
||
text = raw.get("fullText") or ""
|
||
if not ext or len(text) < MIN_CHARS:
|
||
return {}
|
||
|
||
lang = raw.get("language") or {}
|
||
code = lang.get("code") if isinstance(lang, dict) else lang
|
||
journals = raw.get("journals") or []
|
||
journal = journals[0].get("title") if journals and isinstance(journals[0], dict) else None
|
||
|
||
return {
|
||
"source": self.source_name,
|
||
"ext_id": f"core:{ext}",
|
||
"title": (raw.get("title") or f"CORE {ext}")[:1000],
|
||
"authors": self.normalize_authors(self._authors(raw)),
|
||
"doi": raw.get("doi"),
|
||
"year": raw.get("yearPublished"),
|
||
# zz у CORE значит «язык не определён» — лучше пусто, чем мусор
|
||
"lang": code if code and code != "zz" else None,
|
||
"journal": journal[:300] if journal else None,
|
||
"url": raw.get("downloadUrl") or f"https://core.ac.uk/works/{ext}",
|
||
"abstract": (raw.get("abstract") or text[:2000])[:2000],
|
||
"text": text,
|
||
"resume_token": raw.get("resume_token"),
|
||
}
|
||
|
||
@staticmethod
|
||
def _authors(raw: dict[str, Any]) -> list[dict[str, str]]:
|
||
"""Авторы CORE приходят одной строкой "Фамилия, Имя Отчество"."""
|
||
out = []
|
||
for author in raw.get("authors") or []:
|
||
name = author.get("name") if isinstance(author, dict) else author
|
||
if not name:
|
||
continue
|
||
last, _, first = str(name).partition(",")
|
||
out.append({"last_name": last.strip(), "first_name": first.strip()})
|
||
return out
|