Leo
4d3a6a09a6
leo 08-06 裁決：「不要兩支，寫成一支檔案」。
## 為什麼
v0.18.7-8 的「單一 exe」其實是**一支包著另一支**：collector.exe 被 go:embed
進 Arcrun.exe，執行時攤到 ~/.arcrun-rag/bin/ 再跑。
那正是防毒軟體眼中的 dropper 特徵 —— 封測者實撞
`Trojan:Win32/Sabsik.FL.A!ml`，檔案當場被隔離、自動刪除。
⚠️ 誠實界定：`!ml` 結尾＝**機器學習判定**，Sabsik 是最常見的通用誤判家族，
主因是「未簽章＋下載次數少」，**不是**特別指向 dropper 行為。
所以本次改動**不保證**解除誤判——真正的解是上架 MS Store（微軟簽章）。
但「執行時把第二支 PE 寫到磁碟再執行」本來就該拿掉，這是對的方向且順手變小。
## 怎麼做
- `collector/` 39 個檔 `package main` → `package collector`，`main()` → 匯出的 `Run(args) int`
- 新增 `collector/cmd/collector/`（薄殼 CLI，讓單獨跑 collector 這條路仍可用）
- App 直接 import 該套件；`main()` 第一件事就判 `--collector`，是的話走 `collector.Run` 不碰 GUI
- `supervisor` 加 `ArgPrefix`，App 把 `BinPath` 指向 `os.Executable()` 自己
- 刪掉 `bundled_collector_{windows,other}.go`（embed + 攤檔那套）
- 三支打包腳本不再編/複製第二支；版本注入同時打到兩個 package
- build-win.sh 的機械閘改成**直接問它**：`--collector --version` 回得出版本才放行
（舊閘是比大小，只能證明「有 embed」，證明不了「分派是對的」）
## 驗（真機實跑）
· `.app/Contents/MacOS/` 只有 **一個** 執行檔（原本兩個）
· 跑起來兩個行程是**同一個 exe**：
…/MacOS/arcrun-app
…/MacOS/arcrun-app --collector direct --config …
· `~/.arcrun-rag/bin` **不存在**（沒有任何東西被攤出來）
· 端到端：丟檔進看守資料夾 → collector.log `"status":"ingested","http_status":200`
· `lsappinfo` 仍是 `type="UIElement"`、`Version="0.18.9"`
· collector 39 檔測試全過；app 測試過；go vet 全綠；mac + windows 交叉編譯皆過
· 單檔 26MB → 22MB（不再夾帶第二份完整程式）
83 lines
2.5 KiB
Go
83 lines
2.5 KiB
Go
// convert_docx.go — .docx 抽文字（純 Go 標準庫，零外部依賴）
|
||
//
|
||
// 為什麼不需要外部引擎（2026-07-27 POC 實測後定案）：
|
||
//
|
||
// .docx/.xlsx/.pptx ＝ Office Open XML ＝ **本質是 ZIP，裡面是 XML**，
|
||
// 文字明明白白寫在 <w:t> 標籤裡。Go 標準庫 archive/zip + encoding/xml 直接讀得到。
|
||
// 實測體積代價 **+0.31 MB**（對照 PDF 走 PDFium 是 +10.43 MB，差 33 倍）。
|
||
//
|
||
// 對比 PDF 為何非要引擎不可：PDF 是**印刷格式**，記的是「這個字畫在第 3 頁座標 (120,400)」，
|
||
// 要把散落字元還原成通順文字＝需要整顆排版還原引擎。兩者不是同一個難度等級。
|
||
package collector
|
||
|
||
import (
|
||
"archive/zip"
|
||
"bytes"
|
||
"encoding/xml"
|
||
"fmt"
|
||
"io"
|
||
"strings"
|
||
)
|
||
|
||
// docx 內文的位置。註：頁首/頁尾/註腳另有 header*.xml/footnotes.xml，
|
||
// 目前只取主文——知識萃取要的是內容，頁首頁尾多半是雜訊（頁碼、公司名）。
|
||
const docxMainPart = "word/document.xml"
|
||
|
||
func extractDocx(data []byte) (string, error) {
|
||
zr, err := zip.NewReader(bytes.NewReader(data), int64(len(data)))
|
||
if err != nil {
|
||
// .docx 不是 zip ＝ 檔案壞了，或副檔名騙人（例如舊版 .doc 改名成 .docx）。
|
||
// 舊版 .doc 是完全不同的二進位格式（OLE），本抽取器讀不了。
|
||
return "", fmt.Errorf("docx 解壓失敗（可能是舊版 .doc 或檔案損壞）：%w", err)
|
||
}
|
||
for _, f := range zr.File {
|
||
if f.Name != docxMainPart {
|
||
continue
|
||
}
|
||
rc, err := f.Open()
|
||
if err != nil {
|
||
return "", fmt.Errorf("讀 %s 失敗：%w", docxMainPart, err)
|
||
}
|
||
defer rc.Close()
|
||
return docxXMLText(rc)
|
||
}
|
||
return "", fmt.Errorf("docx 缺少 %s", docxMainPart)
|
||
}
|
||
|
||
// docxXMLText 串流解 XML 取文字。
|
||
//
|
||
// 只認三個標籤就夠：
|
||
// - w:p 段落 → 換行
|
||
// - w:tab 定位點 → tab
|
||
// - w:br 斷行 → 換行
|
||
//
|
||
// 其餘一律當文字節點收集。用 Local name 比對（不看 namespace 前綴），
|
||
// 因為不同產生器的前綴可能不同（w: / w14: 等）。
|
||
func docxXMLText(r io.Reader) (string, error) {
|
||
dec := xml.NewDecoder(r)
|
||
var sb strings.Builder
|
||
for {
|
||
tok, err := dec.Token()
|
||
if err == io.EOF {
|
||
break
|
||
}
|
||
if err != nil {
|
||
return "", fmt.Errorf("解析 document.xml 失敗：%w", err)
|
||
}
|
||
switch t := tok.(type) {
|
||
case xml.StartElement:
|
||
switch t.Name.Local {
|
||
case "p":
|
||
sb.WriteString("\n")
|
||
case "tab":
|
||
sb.WriteString("\t")
|
||
case "br":
|
||
sb.WriteString("\n")
|
||
}
|
||
case xml.CharData:
|
||
sb.Write(t)
|
||
}
|
||
}
|
||
return sb.String(), nil
|
||
}
|