7adccd0362
Первый прогон на проде выдал документы 2008-2019 годов, хотя запрос просил `yearPublished:2026`. Проверка показала: условия в запросе CORE через `AND` не связываются. По отдельности каждое фильтрует честно (`yearPublished:2026` — ровно 2026, `repositories.id:1298` — ровно этот архив), а вместе `(архивы) AND yearPublished:2026` отдаёт 2.3 млн работ вперемешку, то есть условия объединяются по «или», и год работает лишь подсказкой ранжированию. Значит нарезка по годам не нарезала ничего: каждый «год» перебирал один и тот же набор, а в выдачу подмешивались посторонние работы нужного года — включая англоязычные, ради ухода от которых источник и заводился. Теперь в запросе ровно одно условие — номер архива, и каждый архив опрашивается отдельно. Позиция продолжения стала «архив:смещение». Это ещё и честнее по потолку: `offset` упирается в 100 000, а самый крупный из наших архивов содержит 63 749 работ, то есть влезает целиком. Годы, если заданы в источнике, отсекаются теперь на нашей стороне. Список архивов парсер принимает и простым списком номеров, и прежним выражением `(repositories.id:N OR ...)` — настройку источника менять не нужно. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
260 lines
15 KiB
Python
260 lines
15 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 на части — по одному архиву-поставщику на запрос;
|
||
- **условия через `AND` не связываются**: `(repositories.id:...) AND yearPublished:2026`
|
||
отдаёт 2.3 млн работ вперемешку по годам, то есть условия объединяются по
|
||
«или» и год работает лишь как подсказка ранжированию. По отдельности каждое
|
||
условие фильтрует честно (`yearPublished:2026` — ровно 2026, `repositories.id:1298`
|
||
— ровно этот архив). Поэтому в запрос идёт РОВНО ОДНО условие: номер архива.
|
||
Годы, если заданы, отсекаются уже на нашей стороне;
|
||
- `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 re
|
||
import time
|
||
from collections.abc import Iterator
|
||
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
|
||
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, архив за архивом.
|
||
|
||
Args:
|
||
limit: сколько статей с текстом отдать за прогон
|
||
query: список архивов — номера через запятую/пробел или выражение
|
||
`(repositories.id:N OR ...)`. Пустой — обычный поиск по словам
|
||
year_from: отсекать статьи старше этого года (необязательно)
|
||
year_to: отсекать статьи новее этого года (необязательно)
|
||
resume_token: позиция вида "1298:4200" — архив и смещение в нём
|
||
progress_cb: см. base.ProgressCallback
|
||
"""
|
||
parts = self._repos(query)
|
||
start_part, start_offset = self._parse_token(resume_token)
|
||
if start_part in parts:
|
||
parts = parts[parts.index(start_part):]
|
||
else:
|
||
start_offset = 0
|
||
|
||
given = 0
|
||
seen: set[str] = set()
|
||
for part in parts:
|
||
offset = start_offset
|
||
start_offset = 0 # смещение относится только к архиву из токена
|
||
|
||
while given < limit and offset < MAX_OFFSET:
|
||
results = self._page(part, query, offset)
|
||
if results is None: # API не ответил — прогон закончен
|
||
return
|
||
if not results:
|
||
logger.info("CORE: архив %s исчерпан на смещении %d", part, offset)
|
||
break
|
||
|
||
token = f"{part}:{offset}"
|
||
for work in results:
|
||
text = work.get("fullText") or ""
|
||
if len(text) < MIN_CHARS:
|
||
continue
|
||
year = work.get("yearPublished")
|
||
if year and ((year_from and year < year_from)
|
||
or (year_to and year > year_to)):
|
||
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"{part}:{offset}"
|
||
if progress_cb and not progress_cb(given):
|
||
logger.info("CORE: выборка остановлена по запросу (%d)", given)
|
||
return
|
||
|
||
logger.info("CORE: пройдено архивов: %d, отдано %d", len(parts), given)
|
||
|
||
@staticmethod
|
||
def _repos(query: str) -> list[str]:
|
||
"""Номера архивов из настройки источника.
|
||
|
||
Принимает и выражение `(repositories.id:1298 OR ...)`, и простой список
|
||
«1298, 21908». Если номеров нет вовсе — единственная часть с именем
|
||
`q`: тогда парсер просто ищет по словам запроса.
|
||
"""
|
||
ids = re.findall(r"repositories\.id:(\d+)", query or "")
|
||
if not ids:
|
||
ids = re.findall(r"\b\d{2,7}\b", query or "")
|
||
return ids or ["q"]
|
||
|
||
@staticmethod
|
||
def _parse_token(token: str | None) -> tuple[str | None, int]:
|
||
"""Разобрать позицию "архив:смещение"; мусор — начать сначала."""
|
||
if not token or ":" not in token:
|
||
return None, 0
|
||
part, _, offset = token.rpartition(":")
|
||
try:
|
||
return part, int(offset)
|
||
except ValueError:
|
||
logger.warning("CORE: непонятная позиция %r, начинаем сначала", token)
|
||
return None, 0
|
||
|
||
def _page(self, part: str, query: str, offset: int) -> list[dict[str, Any]] | None:
|
||
"""Одна страница выдачи; None — API не отвечает, прогон пора кончать.
|
||
|
||
В запросе РОВНО одно условие: связка через AND в этом API не работает
|
||
(см. докстринг модуля), поэтому годы отсекаются уже после выборки.
|
||
"""
|
||
q = f"repositories.id:{part}" if part != "q" else (query or "*")
|
||
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 %s:%d не удалась (%d/%d): %s",
|
||
part, offset, attempt + 1, RETRIES, e,
|
||
)
|
||
time.sleep(2 * (attempt + 1))
|
||
|
||
logger.error("CORE: страница %s:%d не далась за %d попыток", part, 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
|