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）
85 lines
2.8 KiB
Go
85 lines
2.8 KiB
Go
package collector
|
||
|
||
import (
|
||
"errors"
|
||
"os"
|
||
"strings"
|
||
"testing"
|
||
"time"
|
||
)
|
||
|
||
const chromePDF = "/private/tmp/claude-501/-Users-youlinhsieh-Documents-tech-projects-InkStoneCo/92a75156-c295-4c79-bfeb-de1a20e4ed26/scratchpad/office-poc/chrome.pdf"
|
||
|
||
// 這是本抽取器存在的理由：調研實測「純 Go 的 PDF 套件對 Chrome 列印的 PDF 整段亂碼」
|
||
// （pdf-extraction-options.md §3），而客戶最常丟的就是瀏覽器列印的 PDF。
|
||
// 所以測資刻意用 Chrome headless 產的，不是隨便一個 PDF。
|
||
func TestPDF_Chrome列印的中文PDF(t *testing.T) {
|
||
data, err := os.ReadFile(chromePDF)
|
||
if err != nil {
|
||
t.Skip("無 Chrome PDF 測資，跳過")
|
||
}
|
||
start := time.Now()
|
||
got, err := ConvertToText("合約.pdf", data)
|
||
elapsed := time.Since(start)
|
||
if err != nil {
|
||
t.Fatalf("Chrome 列印的 PDF 應該讀得了: %v", err)
|
||
}
|
||
for _, want := range []string{"船舶維修合約書", "350,000", "2026", "交期"} {
|
||
if !strings.Contains(got, want) {
|
||
t.Errorf("缺少 %q（若整段亂碼＝引擎選錯了），實得:\n%s", want, got)
|
||
}
|
||
}
|
||
t.Logf("耗時 %v，抽出:\n%s", elapsed, got)
|
||
}
|
||
|
||
// 掃描件行為契約：PDFium 不做 OCR，影像 PDF 會抽不出字 → 必須是 ErrNoText，
|
||
// 不能靜默送空內容給 LLM（用戶會以為成功了，其實知識庫裡是空的）。
|
||
func TestPDF_無文字PDF回ErrNoText(t *testing.T) {
|
||
// 一個結構合法但沒有文字內容的最小 PDF
|
||
minimal := []byte(`%PDF-1.4
|
||
1 0 obj<</Type/Catalog/Pages 2 0 R>>endobj
|
||
2 0 obj<</Type/Pages/Kids[3 0 R]/Count 1>>endobj
|
||
3 0 obj<</Type/Page/Parent 2 0 R/MediaBox[0 0 612 792]>>endobj
|
||
xref
|
||
0 4
|
||
trailer<</Size 4/Root 1 0 R>>
|
||
startxref
|
||
0
|
||
%%EOF`)
|
||
_, err := ConvertToText("空白.pdf", minimal)
|
||
if err == nil {
|
||
t.Fatal("沒有文字的 PDF 應該回錯，不能當成空內容送出去")
|
||
}
|
||
// 打不開也可接受（訊息不同但都不是靜默成功）；重點是不可回 nil error
|
||
if !errors.Is(err, ErrNoText) && !strings.Contains(err.Error(), "PDF") {
|
||
t.Errorf("錯誤訊息應說得出是 PDF 的問題，實得: %v", err)
|
||
}
|
||
t.Logf("如預期回錯: %v", err)
|
||
}
|
||
|
||
func TestPDF_壞檔要報錯不當機(t *testing.T) {
|
||
_, err := ConvertToText("壞的.pdf", []byte("這根本不是 PDF"))
|
||
if err == nil {
|
||
t.Error("壞檔應該報錯")
|
||
}
|
||
t.Logf("錯誤訊息: %v", err)
|
||
}
|
||
|
||
// 同一個 process 連續處理多個 PDF 不可爆（pool 重用）——
|
||
// daemon 是長駐程式，一次掃描可能有幾十個 PDF。
|
||
func TestPDF_連續多檔不爆(t *testing.T) {
|
||
data, err := os.ReadFile(chromePDF)
|
||
if err != nil {
|
||
t.Skip("無測資")
|
||
}
|
||
for i := 0; i < 3; i++ {
|
||
got, err := ConvertToText("a.pdf", data)
|
||
if err != nil {
|
||
t.Fatalf("第 %d 次失敗: %v", i+1, err)
|
||
}
|
||
if !strings.Contains(got, "船舶維修合約書") {
|
||
t.Fatalf("第 %d 次內容不對", i+1)
|
||
}
|
||
}
|
||
}
|