flowocr 0.1.0__py3-none-any.whl

flowocr/output/render.py

@@ -0,0 +1,82 @@
+"""阶段 3 的薄入口：拿一份**阶段 2 的产物**，跑一个输出预设。
+
+    python -m flowocr.output.render out/x/x-tracks.json --outdir tmp/x                       # 默认预设 default
+    python -m flowocr.output.render out/x/x-tracks.json --preset srt_main --outdir tmp/x
+    python -m flowocr.output.render out/x/x-matched.json --preset dev --outdir tmp/x --opt lang=cn
+    python -m flowocr.output.render out/x/x-tracks.json --preset D:/mine/preset.py --outdir tmp/x --opt start=full
+
+吃两种产物（2026-09-22 起，Codex 审计 P2：原来写死 `tracksio.load`，匹配结果连预设的门都进不去）：
+
+| schema | 读法 | 内置预设 |
+| --- | --- | --- |
+| `flowocr-tracks/1` | `tracksio.load` | 叠加三个（`default` / `default_all` / `dev`，叠 OCR 原文）、`script`（只写字幕稿）、`srt_main`（只取主轨） |
+| `flowocr-matched/2` | `matchedio.load` | 叠加三个（叠剧本译文）、`script`、`matched_srt`（拍平成 SRT） |
+| 别的（用户匹配器自己的格式） | 原样 `json.load`，**不校验** | 只有声明了这个 schema 的预设收（见 `ACCEPTS`） |
+
+不给 `--preset` 时是 **`default`**（生产默认，owner 2026-09-24）：只留主轨的叠加字幕。叠加预设写两份——
+可编辑的字幕稿（`*.script.ass`，阶段 3）和最终 ASS（阶段 4 `flowocr.typeset`）；三个的差别见
+`flowocr.output.presets._overlay` 和 script-fx 计划。
+
+预设可以声明 `ACCEPTS = ("flowocr-tracks/1", …)`：喂进来的产物不在里头就**当场报错**，
+而不是让它在预设内部以 `KeyError` 的形式炸（"失败不冒充成功"，计划）。不声明就是什么都收。
+`--opt k=v` 原样交给预设的 `options`（值是字符串，预设自己解释）；预设要什么参数、默认多少，是它自己的事。
+"""
+from __future__ import annotations
+
+import argparse
+import json
+from pathlib import Path
+
+from flowocr import extensions
+from flowocr.artifacts import matchedio, tracksio
+
+
+def load_doc(path: Path) -> dict:
+    """按 `schema` 挑读法。认得的两种各自校验版本和必需字段，不认得的原样返回（用户匹配器的格式）。"""
+    raw = json.loads(Path(path).read_text(encoding="utf-8"))
+    schema = raw.get("schema") if isinstance(raw, dict) else None
+    if schema == tracksio.SCHEMA:
+        tracksio.validate(raw)                  # 不再 `tracksio.load` 一遍：整片的 tracks.json 几十 MB，解析两次白花
+    elif schema == matchedio.SCHEMA:
+        matchedio.validate(raw, where=str(path))
+    return raw
+
+
+def check_accepts(preset, doc: dict, spec: str) -> None:
+    """预设声明了 `ACCEPTS` 就核一下，喂错产物当场说清楚。"""
+    accepts = getattr(preset, "ACCEPTS", None)
+    if accepts is None:
+        return
+    got = doc.get("schema") if isinstance(doc, dict) else None
+    if got not in tuple(accepts):
+        raise SystemExit(f"预设 `{spec}` 吃的是 {list(accepts)}，给的是 {got!r}——"
+                         f"阶段 2 的哪份产物喂给哪个预设，见 flowocr.output.render 文件头")
+
+
+def main(argv: list[str] | None = None) -> int:
+    ap = argparse.ArgumentParser(description="跑一个输出预设")
+    ap.add_argument("doc", metavar="产物", help="阶段 2 的产物：*-tracks.json 或 *-matched.json")
+    ap.add_argument("--preset", default="default",
+                    help="内置名（%s）/ 模块名 / .py 路径" % "、".join(extensions.builtin_names("preset")))
+    ap.add_argument("--outdir", default="", help="默认写在产物旁边")
+    ap.add_argument("--opt", action="append", default=[], metavar="K=V", help="给预设的选项，可多次")
+    a = ap.parse_args(argv)
+    opts = {}
+    for kv in a.opt:
+        if "=" not in kv:
+            ap.error(f"--opt 要 K=V：{kv}")
+        k, v = kv.split("=", 1)
+        opts[k] = v
+    preset = extensions.load(a.preset, "preset")
+    src = Path(a.doc)
+    doc = load_doc(src)
+    check_accepts(preset, doc, a.preset)
+    outdir = Path(a.outdir) if a.outdir else src.parent
+    written = preset.render(doc, outdir, opts)
+    for p in written:
+        print(p)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

flowocr/output/run_srt.py

@@ -0,0 +1,83 @@
+"""从 build_tracks 切好的段直接写 SRT（一级产物旁的区域 / 主轨 / 名牌 SRT），以及清掉上一轮的旧产物。
+
+2026-09-22 从 `flowocr.analyze.build_tracks` 原样搬出来（正规化阶段 C 第二刀，project-structure：
+阶段 2 产分析结果，写字幕是阶段 3 的事）。**只投影，不判断**：段怎么切、哪些行是常驻 UI 都是调用方判好传进来的。
+`export.py` 是从 `<tag>-tracks.json` 投影的那条路；这里是 build 时从内存里的 run 直接写，两条路产同一批文件。
+段里的元素是 `build_tracks.Run`（鸭子类型：只用 `.text`）。
+"""
+from __future__ import annotations
+
+from pathlib import Path
+
+from flowocr.artifacts import srtio
+
+
+DROPPED_UI: list[tuple[str, set[str], int, int]] = []
+"""`(产物名, 判为 UI 的行, 删掉的行数, 整条被删的 cue 数)`——
+**删了什么必须打出来**：上一版一行日志都不打，于是"105 个空的区域 SRT"
+在磁盘上躺了一整夜没人看见（methodology-audit-2 报告）。"""
+
+
+def write_srt_segments(path: Path, segs: list[tuple[int, int, list]],
+                       ui: set[str], ui_ids: set[int] | None = None,
+                       idx: dict[int, int] | None = None) -> int:
+    """**投影**：把已经切好的段按 `ui`（这条轨判为常驻 UI 的行）剔一遍再写 SRT。
+
+    返回**写了几条 cue**——调用方应当把它打印出来，好让文档里的数
+    可以直接用 `grep -c -- '-->'` 数回来（boundary-refinement 报告）。
+    """
+    before_cues, before_lines = len(segs), sum(len(a) for _, _, a in segs)
+    def drop(r) -> bool:
+        return (r.text.strip() in ui
+                or (ui_ids is not None and idx is not None and idx.get(id(r)) in ui_ids))
+
+    if ui or ui_ids:
+        segs = [(s, e, keep) for s, e, keep in
+                ((s, e, [r for r in a if not drop(r)]) for s, e, a in segs) if keep]
+    dl = before_lines - sum(len(a) for _, _, a in segs)
+    if dl:
+        DROPPED_UI.append((Path(path).name, ui, dl, before_cues - len(segs)))
+    return srtio.write_srt_blocks(path, ((s, e, [r.text for r in active])
+                                        for s, e, active in segs))
+
+
+def clear_stale_srts(outdir: Path, tag: str) -> int:
+    """把上一轮的 `{tag}-region*.srt`（含已去掉的回抠 CLI 留下的 `-refined.srt`、`flowocr-export --start full` 的 `-full.srt`）、
+    `{tag}-main.srt`、`{tag}-nameplate.srt`（及它们的 `-full.srt`）、已去掉的回抠 CLI 另存过的 `{tag}-tracks-refined.json`、
+    作废的 `{tag}-provenance.json` 和上一轮的 `{tag}-tracks.json` 删掉，返回删了几个。
+
+    `{tag}-tracks.json` 也要删：建轨最后才写它（回抠结算、SRT 重出都成功之后），中途失败时留着上一轮的那份，
+    驱动判缓存就会拿它配这一轮写了一半的 SRT（2026-09-26 复查）。`-full.srt` 是它的派生物，同理。
+
+    `{tag}-main.srt` 也要删：它只在 `--main-band` 打开时才产，**关掉之后
+    旧的那份会留在原地**，而 provenance 里的 main_srt 已经指回区域文件——
+    磁盘上于是躺着一份没人认领、看着却很正经的主轨。这正是 2026-09-07
+    那次"字典序捡到隔夜坏产物"的同一形状，只是换了个文件名。
+
+    为什么必须删（2026-09-07 实测的代价）：文件名里带 label，**label 一变就是
+    新文件名**，旧的留在原地。`out/yuka-f4/` 里于是同时躺着
+    `f4-region01-static-overlay.srt`（09-06，17,748 条，`gap_frames` 修好之前的坏轨）
+    和 `f4-region01-subtitle.srt`（当天，4,387 条）；而 `head2head.sh` 那时按
+    `f4-region01-*.srt | head -1` 取主轨，字典序 `sta` < `sub`——
+    **整部 input4 的基线是拿一份隔夜的坏产物量的，一行报错都没有。**
+
+    只删自己这个 tag 的区域 SRT：同一个 outdir 里可能有别的 tag 的产物。
+    """
+    stale = sorted(outdir.glob(f"{tag}-region*.srt"))
+    # `-tracks-refined.json`（回抠 CLI 另存的那份；CLI 09-26 已去掉，旧目录里还可能有）：它出自上一版的轨，重建之后就过时了，
+    # 留着就是又一份看着正经的一级产物（区域的 `-refined.srt` 已被上面的 `region*` 通配带走）
+    for name in (f"{tag}-main.srt", f"{tag}-nameplate.srt", f"{tag}-main-full.srt", f"{tag}-nameplate-full.srt",
+                 f"{tag}-provenance.json", f"{tag}-tracks-refined.json", f"{tag}-tracks.json"):
+        # `-nameplate.srt` 同 `-main.srt` 的理由（2026-09-20 复审第 3 条）：它只在挑中了名牌时才产，
+        # **`--no-nameplate-mark` 重建、或者这一版一条都没挑中时，旧的那份会留在原地**。
+        # 现在 `merge_nameplate` 从 JSON 取名牌轨、取不到就退出，所以不会被静默读到；
+        # 但"旧文件留在原地、看着很正经"就是 09-07 那次的形状，一起删。
+        # `-provenance.json` **已经并进 `-tracks.json`**（`output-format-plan（已归档）`，
+        # 不做兼容）。旧的那份留在原地最危险：它看着很正经，而且指向的 main_srt
+        # 可能是上一版的——正是"字典序捡到隔夜坏产物"的同一形状。
+        p = outdir / name
+        if p.exists():
+            stale.append(p)
+    for p in stale:
+        p.unlink()
+    return len(stale)