229 lines
11 KiB
Markdown
229 lines
11 KiB
Markdown
# AstroResearch Architecture / 架构设计
|
||
|
||
AstroResearch 是一个集成了天文学文献检索、双通道下载、结构化解析、中英学术对比翻译以及引文星系图谱的天文科研辅助系统。
|
||
|
||
## 1. 整体架构 (Overall Architecture)
|
||
|
||
AstroResearch 采用 **C/S (Client-Server)** 架构，由前端 React 单页应用和后端 Axum HTTP 服务构成，核心流程及层级如下：
|
||
|
||
```mermaid
|
||
graph TD
|
||
subgraph Frontend ["React 前端 (Port 5173 / 8000)"]
|
||
UI[仪表盘 UI / ReaderPanel]
|
||
Canvas[引文 Canvas 拓扑图]
|
||
API_Client[Axum API 客户端]
|
||
end
|
||
|
||
subgraph Backend ["Rust Axum 后端 (Port 8000)"]
|
||
Router[Axum 路由与中间件]
|
||
Handlers[业务处理器 handlers.rs]
|
||
Parser[解析器 parser.rs]
|
||
Downloader[下载器 download.rs]
|
||
Translator[翻译器 translation.rs]
|
||
Qiniu[七牛云客户端 qiniu.rs]
|
||
DB[("SQLite / astro_research.db")]
|
||
end
|
||
|
||
subgraph External [外部第三方服务]
|
||
ADS[NASA ADS API]
|
||
arXiv[arXiv Atom XML API]
|
||
MinerU[MinerU PDF 解析服务]
|
||
QiniuCDN[七牛云对象存储 CDN]
|
||
LLM[LLM API]
|
||
end
|
||
|
||
UI -->|用户操作| API_Client
|
||
API_Client -->|RESTful APIs| Router
|
||
Router --> Handlers
|
||
|
||
Handlers -->|查询/保存元数据| DB
|
||
Handlers -->|文献下载| Downloader
|
||
Handlers -->|结构化清洗| Parser
|
||
Handlers -->|LLM学术翻译| Translator
|
||
|
||
Downloader -->|代理请求| ADS
|
||
Downloader -->|直连或 ar5iv| arXiv
|
||
|
||
Parser -->|图文降级解析| MinerU
|
||
Parser -->|托管插图| Qiniu
|
||
Qiniu -->|上传图片| QiniuCDN
|
||
|
||
Translator -->|天文术语翻译| LLM
|
||
|
||
Canvas -->|引文网络请求| Handlers
|
||
```
|
||
|
||
---
|
||
|
||
## 2. 核心工作流 (Core Workflows)
|
||
|
||
### 2.1 文献下载流程 (Download Flow)
|
||
|
||
本流程实现了文献的双通道流式下载，支持多级回退以及安全反爬防线绕过，其详细步骤与交互如下：
|
||
|
||
```mermaid
|
||
sequenceDiagram
|
||
participant U as 用户 (React 前端)
|
||
participant H as 处理器 (handlers.rs)
|
||
participant D as 下载器 (download.rs)
|
||
participant DB as 本地数据库 (SQLite)
|
||
|
||
U->>H: 1. 发起下载请求 (POST /api/download, 含 bibcode, force)
|
||
H->>DB: 2. 查询文献元数据 (获取 arxiv_id, doi 等)
|
||
alt force == true
|
||
H->>DB: 3. 重置本地下载路径字段为 NULL
|
||
end
|
||
|
||
H->>D: 4. 调度下载器执行物理拉取
|
||
alt 文献含有 arxiv_id (通道 A：arXiv 直连优先)
|
||
D->>D: 5a. 去除版本号 (strip_arxiv_version, v2 -> 无版本)
|
||
D->>D: 5b. 随机延时 (maybe_delay: 500-2000ms) 并伪装 UA
|
||
D->>D: 5c. 下载 PDF 并校验文件头 (%PDF + %%EOF)
|
||
D->>D: 5d. 优先请求官方 HTML (arxiv.org/html/)
|
||
note over D: 若官方 HTML 返回 404/错误
|
||
D->>D: 5e. 自动降级回退请求 ar5iv HTML (ar5iv.labs.arxiv.org)
|
||
D->>D: 5f. 校验 HTML 内容 (detect_anti_bot 检测反爬)
|
||
else 无 arxiv_id (通道 B：ADS 路由回退)
|
||
D->>D: 6a. 跟踪 ADS Link Gateway 重定向路由
|
||
note over D: 若遇到 validate.perfdrive.com 拦截
|
||
D->>D: 6b. 自动解析并解码 ssc 参数提取直链
|
||
note over D: 若指向 IOPscience / Springer
|
||
D->>D: 6c. IOP 专属策略：预热主页写入 Cookie，带 Referer 下载 PDF
|
||
D->>D: 6d. Springer 专属策略：使用 Chrome 头下载 HTML 页
|
||
note over D: 若网关均失败且存在 DOI
|
||
D->>D: 6e. CrossRef 兜底：请求 CrossRef API 获取 PDF URL 并直连下载
|
||
end
|
||
|
||
D-->>H: 7. 返回下载好的本地物理 PDF & HTML 路径
|
||
H->>DB: 8. 更新 pdf_path & html_path 记录
|
||
H-->>U: 9. 返回最新文献状态 (is_downloaded: true)
|
||
```
|
||
|
||
#### 详细下载说明：
|
||
1. **指令接收与校验**：后端 `download_paper` 接口在 `force` 参数为 `true` 时，会强行擦除数据库中已下载的文件路径，启动无缓存的物理文件重新拉取。
|
||
2. **下载反爬伪装**：下载器 `Downloader` 请求时采用动态生成的 Firefox/Chrome 轮换 User-Agent，并在每次 HTTP 访问前强制加入随机休眠机制（500ms - 2000ms），模拟人类自然阅读行为。
|
||
3. **内容完整性校验**：
|
||
- 对 PDF 严格校验前四个字节（必须是 `%PDF`）以及尾部检索（必须包含 `%%EOF` 终止符），排查登录墙、错误页伪装成 PDF 导致下载坏文件的问题。
|
||
- 对 HTML 文本利用 `detect_anti_bot` 流水线过滤 "cloudflare"、"captcha"、"robot check" 等拦截特征。
|
||
|
||
---
|
||
|
||
### 2.2 文献解析流程 (Parse Flow)
|
||
|
||
本流程负责将本地下载的 HTML 或 PDF 转换为高保真的 Markdown。其详细步骤与交互如下：
|
||
|
||
```mermaid
|
||
sequenceDiagram
|
||
participant U as 用户 (React 前端)
|
||
participant H as 处理器 (handlers.rs)
|
||
participant P as 解析器 (parser.rs)
|
||
participant M as MinerU (PDF解析服务)
|
||
participant Q as 七牛云 (对象存储)
|
||
participant DB as 本地数据库 (SQLite)
|
||
|
||
U->>H: 1. 发起解析请求 (POST /api/parse, 含 bibcode, force)
|
||
H->>DB: 2. 查询文献物理路径 (pdf_path, html_path, markdown_path)
|
||
alt force == false 且本地已存在 Markdown 物理缓存
|
||
H->>H: 3. 读取本地 Markdown 物理文件
|
||
H-->>U: 4. 直接返回缓存 Markdown，流程结束
|
||
end
|
||
|
||
H->>P: 5. 触发结构化文献解析
|
||
alt 本地存在 HTML 文件
|
||
P->>P: 6a. 剥离广告/导航栏与尾页页脚噪声
|
||
P->>P: 6b. 公式保护：利用占位符隔离 MathJax/LaTeX 公式段
|
||
P->>P: 6c. 标签规范：还原 LaTeXML 特定 span 为标准 table/tr/td，修正上下标
|
||
P->>P: 6d. 插图处理：把相对图像路径替换为绝对 CDN 外链地址
|
||
P->>P: 6e. 转换 GFM Markdown 并恢复 LaTeX 公式
|
||
P->>P: 6f. 后处理：清除冗余的 margin 空白与前导缩进
|
||
else 仅有 PDF 文件 (PDF 降级解析)
|
||
P->>M: 7a. Multipart 格式上传 PDF 至 MinerU 服务
|
||
M-->>P: 7b. 返回大模型解析出的 Markdown 文本及插图包
|
||
loop 遍历每一个提取的插图
|
||
P->>Q: 7c. 上传插图文件并获取七牛云 CDN 域名外链
|
||
end
|
||
P->>P: 7d. 在 Markdown 中重写插图链接为七牛云 CDN 绝对路径
|
||
end
|
||
|
||
P-->>H: 8. 返回清洗转换出的标准英文 Markdown 文本
|
||
H->>P: 9. 写入本地物理缓存 Markdown/ 目录
|
||
H->>DB: 10. 更新数据库 markdown_path 记录
|
||
H-->>U: 11. 返回标准 Markdown 内容渲染展示
|
||
```
|
||
|
||
#### 详细解析说明：
|
||
1. **HTML 转换为 Markdown 保护公式**：由于 MathJax/LaTeX 在 Markdown 转换中极易被当成普通字符进行转义（例如 `_` 倾斜或 `\` 换行失效），解析器在 HTML 解析前，通过正则将 `$` / `$$` 或 `\(` / `\[` 中的内容全部替换为特定的 UUID 占位符，转换为标准 Markdown 之后，再反向替换恢复公式，确保 LaTeX 渲染无损。
|
||
2. **PDF 复杂排版降级**：遇到无法直接提取 HTML 的老文献时，调用 MinerU 进行布局分析与公式提取，配合七牛云对象存储实现插图的自动提取、自动图床托管与正文自动替换回写。
|
||
|
||
---
|
||
|
||
### 2.3 智能对照翻译流程 (Translation Flow)
|
||
|
||
本流程实现了基于天文学专属词汇表的 LLM 专业对比翻译，其详细步骤与交互如下：
|
||
|
||
```mermaid
|
||
sequenceDiagram
|
||
participant U as 用户 (React 前端)
|
||
participant H as 处理器 (handlers.rs)
|
||
participant T as 翻译器 (translation.rs)
|
||
participant D as 天文词典 (dictionary.rs)
|
||
participant L as 大模型 (LLM API)
|
||
participant DB as 本地数据库 (SQLite)
|
||
|
||
U->>H: 1. 请求文献对比翻译 (POST /api/translate, 含 bibcode, force)
|
||
H->>DB: 2. 查询文献路径及状态
|
||
alt force == false 且本地已存在翻译缓存文件
|
||
H->>H: 3. 读取本地 Translation/{bibcode}_zh.md 物理文件
|
||
H-->>U: 4. 直接返回缓存译文，流程结束
|
||
end
|
||
|
||
H->>H: 5. 读取对应的英文解析 Markdown 物理文件
|
||
H->>T: 6. 调度翻译器执行翻译工作流
|
||
|
||
T->>D: 7. 加载本地 dictionary.txt 并初始化 Trie 树结构
|
||
T->>D: 8. 执行英文 Markdown 文本分词匹配
|
||
D->>D: 9a. 进行前缀匹配检索
|
||
D->>D: 9b. 遵循“最长匹配优先”原则，过滤子词去重
|
||
D-->>T: 10. 返回该篇文献提取出的天文学名词对照 (Glossary)
|
||
|
||
loop 针对英文 Markdown 进行段落分块 (Token 长度控制)
|
||
T->>L: 11. 携带 Glossary + 英文原文段落发送 Prompt 请求
|
||
note over L: LLM 遵循系统 Prompt 约束：<br>1. 专业词汇严格对应 Glossary 译出<br>2. 严禁改变 LaTeX 公式及 Markdown 标签<br>3. 保持中英段落高度对齐
|
||
L-->>T: 12. 返回学术级双语对照翻译段落
|
||
end
|
||
|
||
T->>T: 13. 拼接所有段落，生成完整的对照 Markdown
|
||
T->>H: 14. 写入本地物理缓存 Translation/ 目录
|
||
H->>DB: 15. 更新数据库中的 translation_path 字段
|
||
H-->>U: 16. 返回翻译后 Markdown 渲染展示
|
||
```
|
||
|
||
#### 详细步骤说明：
|
||
1. **分级翻译缓存机制**：
|
||
- 第一级缓存：若未开启 `force` 且本地物理磁盘已存在对应翻译文件，直接读取并返回，避免不必要的 LLM API 调用消耗。
|
||
- 第二级缓存：必须先完成英文 Markdown 的结构化解析，否则接口返回 `400` 错误，引导用户先进行正文解析。
|
||
2. **基于 Trie 树的天文学名词提取**：
|
||
- 字典类 `Dictionary` 会加载包含数十万词条的本地天文词表 `dictionary.txt`。
|
||
- 为防止短词覆盖长词（如 `Hertzsprung` 覆盖 `Hertzsprung-Russell diagram`），分词匹配采用 Trie 树的最长前缀匹配。若匹配到长词，自动忽略其包含的子词。
|
||
- 最终只保留文献中真实出现的名词并去重，以 JSON 的形式构建为专有提示词（Glossary）注入 LLM 提示中。
|
||
3. **LLM 强约束 Prompt 设计**：
|
||
- 在向大模型发送请求时，利用 System Prompt 声明其“天文学专业翻译家”的角色。
|
||
- 强制约定格式要求：所有的 LaTeX 公式（`$` / `$$`）必须原封不动保留，Markdown 的标题（`#`）、列表（`-`）、加粗（`**`）等语法严禁破坏，使前端可以无缝解析双语结构并左右对齐渲染。
|
||
|
||
---
|
||
|
||
## 3. 核心模块说明
|
||
|
||
- **[src/download.rs](../src/download.rs)**:
|
||
- 包含浏览器头伪装与请求延迟控制。
|
||
- 处理 ADS Link Gateway 路由重定向追踪与 `validate.perfdrive.com` 防护解码绕过。
|
||
- 实现官方 `arxiv.org/html` 优先及 `ar5iv` 兜底，自动去除版本号后缀。
|
||
- **[src/parser.rs](../src/parser.rs)**:
|
||
- 实现 HTML 语法树向 GFM Markdown 的逆向转换，使用占位符保护机制防止 MathJax/LaTeX 公式被误解析。
|
||
- 统一相对图表链接，并集成 MinerU PDF 解析。
|
||
- **[src/translation.rs](../src/translation.rs)**:
|
||
- 利用本地千万字级别的天文学双语词典对原文进行分词匹配，注入系统提示词让 LLM 实现学术级精细翻译。
|
||
- **[dashboard/src/components/CitationGalaxyCanvas.tsx](../dashboard/src/components/CitationGalaxyCanvas.tsx)**:
|
||
- 基于原生 HTML5 Canvas 开发的轻量级、高性能力导向图星系物理引擎，用于文献引文网络拓扑结构的可视化渲染。
|
||
|