AstroResearch/docs/architecture/core-workflows.md

AstroResearch Architecture / 架构设计

AstroResearch 是一个集成了天文学文献检索、多通道下载（含防爬绕过与手动上传）、下载错误诊断、结构化解析、中英学术对比翻译、引文星系图谱以及馆藏健康度诊断的天文科研辅助系统。

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多通道流式下载，支持多级回退、错误诊断记录以及安全反爬防线绕过：

sequenceDiagram
    participant U as 用户 (React 前端)
    participant H as 处理器 (papers.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
    
    alt 下载成功
        D-->>H: 7a. 返回下载好的本地物理 PDF & HTML 路径
        H->>DB: 8a. 更新 pdf_path & html_path 记录
        H-->>U: 9a. 返回最新文献状态 (is_downloaded: true)
    else 下载失败
        D-->>H: 7b. 返回失败原因
        H->>DB: 8b. 以 error: 前缀记录诊断信息
        H-->>U: 9b. 返回文献状态 (pdf_error / html_error 已填充)
    end

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。
4. 错误诊断记录：下载失败时，系统会将具体的失败原因（如 "Cloudflare 拦截"、"404 Not Found" 等）以 error: 前缀存入数据库的 pdf_path / html_path 字段。前端通过 pdf_error / html_error 字段读取并向用户展示。

---

2.2 手动上传流程 (Upload Flow)

当自动下载受防爬或人机验证阻碍时，用户可手动上传文献文件：

sequenceDiagram
    participant U as 用户 (React 前端 / 浏览器书签)
    participant H as 处理器 (papers.rs)
    participant DB as 本地数据库 (SQLite)
    participant FS as 本地文件系统
    
    U->>H: 1. 上传文件 (POST /api/upload, Multipart: bibcode + type + file)
    H->>H: 2. 解析 Multipart 字段
    alt bibcode 未直接匹配数据库
        H->>DB: 3a. 尝试通过 DOI 匹配
        H->>DB: 3b. 尝试通过 arXiv ID 匹配（自动去除版本号）
    end
    H->>H: 4. 校验文件格式 (PDF 校验 %PDF 文件头)
    H->>FS: 5. 写入物理文件 (library/PDF/ 或 library/HTML/)
    H->>DB: 6. 更新 pdf_path / html_path，清除 error: 诊断记录
    H-->>U: 7. 返回更新后的文献元数据 (is_downloaded: true)

---

2.3 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：

sequenceDiagram
    participant U as 用户 (React 前端)
    participant H as 处理器 (papers.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. 获取批量预签名上传 URL (POST /file-urls/batch/)
        M-->>P: 7b. 返回预签名上传 URL 与 Batch ID
        P->>M: 7c. 上传 PDF 二进制字节流 (PUT 至预签名 URL)
        loop 轮询任务状态 (每 10s 一次，最多 45 次)
            P->>M: 7d. 查询提取进度与结果 (GET /extract-results/batch/{id})
            M-->>P: 7e. 返回处理状态 ("done"/"error"等)
        end
        P->>P: 7f. 下载解析结果的 ZIP 压缩包并解压提取
        loop 遍历每一个提取的插图
            P->>Q: 7g. 上传插图文件并获取七牛云 CDN 域名外链
        end
        P->>P: 7h. 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

---

2.4 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：

sequenceDiagram
    participant U as 用户 (React 前端)
    participant H as 处理器 (papers.rs)
    participant T as 翻译器 (translation.rs)
    participant D as 天文词典 (Trie 树)
    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

---