staran 0.6.1__py3-none-any.whl → 1.0.1__py3-none-any.whl

staran-0.6.1.dist-info/METADATA

@@ -1,586 +0,0 @@
-Metadata-Version: 2.4
-Name: staran
-Version: 0.6.1
-Summary: staran - 高性能Python工具库
-Home-page: https://github.com/starlxa/staran
-Author: StarAn
-Author-email: StarAn <starlxa@icloud.com>
-License: MIT
-Project-URL: Homepage, https://github.com/starlxa/staran
-Project-URL: Bug Reports, https://github.com/starlxa/staran/issues
-Project-URL: Source, https://github.com/starlxa/staran
-Keywords: machine-learning,feature-engineering,data-processing,sql-generation
-Classifier: Development Status :: 4 - Beta
-Classifier: Intended Audience :: Developers
-Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
-Classifier: Topic :: Software Development :: Libraries :: Python Modules
-Classifier: Programming Language :: Python :: 3
-Classifier: Programming Language :: Python :: 3.7
-Classifier: Programming Language :: Python :: 3.8
-Classifier: Programming Language :: Python :: 3.9
-Classifier: Programming Language :: Python :: 3.10
-Classifier: Programming Language :: Python :: 3.11
-Classifier: Programming Language :: Python :: 3.12
-Classifier: Operating System :: OS Independent
-Requires-Python: >=3.7
-Description-Content-Type: text/markdown
-License-File: LICENSE
-Dynamic: author
-Dynamic: home-page
-Dynamic: license-file
-Dynamic: requires-python
-
-# Star## Staran ✨ v0.6.1 新特性
-
-- � **完善的包管理** - 优化setup.py配置，移除不必要的标准库依赖
-- �📋 **独立Schema模块** - 专门的表结构定义和管理模块
-- 📄 **文档自动生成** - 支持Markdown/PDF/HTML格式的技术文档生成
-- 🏢 **业务域支持** - AUM等业务领域的标准表结构定义
-- 🔗 **无缝集成** - Schema与特征工程模块完美集成
-- 🛠️ **模块化引擎架构** - 独立的引擎模块，支持Spark、Hive、图灵平台
-- 🔧 **统一接口设计** - 所有引擎提供一致的SQL生成、执行和下载接口
-- 🎯 **继承复用架构** - TuringEngine继承SparkEngine，复用SQL生成逻辑
-- 📦 **清晰代码分离** - SQL生成与平台特定执行逻辑完全分离
-- 🚀 **易于扩展** - 新增数据库支持只需实现BaseEngine接口
-- 📁 **独立引擎存储** - engines/文件夹专门存放所有数据库引擎
-- 🔄 **向后兼容** - 保持对原有API的完全兼容
-
-## 🎯 专为机器学习设计的Python工具包
-
-Staran是一个强大的特征工程和数据处理工具包，提供从数据到模型的完整解决方案。特别针对工银图灵平台优化，让特征工程和模型训练变得前所未有的简单。
-
-## ✨ v0.6.1 新特性
-
-- 🔧 **完善的包管理** - 优化setup.py配置，移除不必要的标准库依赖
-- 🛠️ **模块化引擎架构** - 独立的引擎模块，支持Spark、Hive、图灵平台
-- 🔧 **统一接口设计** - 所有引擎提供一致的SQL生成、执行和下载接口
-- 🎯 **继承复用架构** - TuringEngine继承SparkEngine，复用SQL生成逻辑
-- 📦 **清晰代码分离** - SQL生成与平台特定执行逻辑完全分离
-- 🚀 **易于扩展** - 新增数据库支持只需实现BaseEngine接口
-- 📁 **独立引擎存储** - engines/文件夹专门存放所有数据库引擎
-- 🔄 **向后兼容** - 保持对原有API的完全兼容
-
-## � 专为机器学习设计的Python工具包
-
-Staran是一个强大的特征工程和数据处理工具包，提供从数据到模型的完整解决方案。特别针对工银图灵平台优化，让特征工程和模型训练变得前所未有的简单。
-
-## ✨ v0.6.0 新特性
-
-- �️ **模块化引擎架构** - 独立的引擎模块，支持Spark、Hive、图灵平台
-- 🔧 **统一接口设计** - 所有引擎提供一致的SQL生成、执行和下载接口
-- 🎯 **继承复用架构** - TuringEngine继承SparkEngine，复用SQL生成逻辑
-- 📦 **清晰代码分离** - SQL生成与平台特定执行逻辑完全分离
-- � **易于扩展** - 新增数据库支持只需实现BaseEngine接口
-- � **独立引擎存储** - engines/文件夹专门存放所有数据库引擎
-- 🔄 **向后兼容** - 保持对原有API的完全兼容
-
-## 🚀 快速开始
-
-### 安装
-```bash
-pip install staran
-# 或在图灵平台中直接使用
-```
-
-### 基础用法 - 日期处理
-
-```python
-from staran import Date
-
-# 创建日期 - 智能格式记忆
-date1 = Date('202504')      # 输出: 202504 (记住年月格式)
-date2 = Date('20250415')    # 输出: 20250415 (记住完整格式)
-date3 = Date(2025, 4, 15)   # 输出: 2025-04-15
-
-# 日期运算保持格式
-new_date = date1.add_months(2)  # 输出: 202506 (保持YYYYMM格式)
-```
-
-### 引擎架构 - 多平台支持
-
-```python
-from staran.engines import create_engine, create_turing_engine
-
-# 1. 使用Spark引擎
-spark_engine = create_engine('spark', 'analytics_db')
-
-# 2. 使用Hive引擎  
-hive_engine = create_engine('hive', 'warehouse_db')
-
-# 3. 使用图灵平台引擎 (继承Spark + turingPythonLib)
-turing_engine = create_turing_engine('analytics_db')
-
-# 统一接口 - 所有引擎都支持相同方法
-sql = spark_engine.generate_aggregation_sql(schema, 2025, 7, ['sum', 'avg'])
-result = turing_engine.create_table('my_table', sql, execute=True)
-download = turing_engine.download_table_data('my_table', 'file:///nfsHome/data.parquet')
-```
-
-### Schema模块 - 表结构管理与文档生成
-
-```python
-from staran import get_aum_schemas, export_aum_docs, SchemaDocumentGenerator
-
-# 1. 获取预定义业务表结构
-schemas = get_aum_schemas()  # 获取AUM业务域的所有表结构
-
-for table_type, schema in schemas.items():
-    print(f"{table_type}: {schema.table_name} ({len(schema.fields)}个字段)")
-
-# 2. 生成业务文档
-docs = export_aum_docs('./docs', 'markdown')  # 生成Markdown格式文档
-
-# 3. 自定义文档生成
-generator = SchemaDocumentGenerator()
-doc_path = generator.export_schema_doc(
-    schema=schemas['behavior'],
-    business_domain="AUM",
-    table_type="behavior",
-    format_type="markdown"
-)
-
-# 4. 与特征工程集成
-from staran import create_aum_example, run_aum_example
-
-# 基于预定义schema创建特征工程示例
-example = create_aum_example()
-summary = example.get_summary()  # 获取特征统计信息
-
-# 一键运行完整流程
-results = run_aum_example('202507')  # 生成916个特征
-```
-
-### 特征工程 - SQL自动生成
-
-```python
-from staran import TableSchema, FeatureGenerator, FeatureManager
-
-# 1. 定义表结构
-schema = TableSchema('user_behavior')
-schema.add_primary_key('user_id', 'string')
-schema.add_date_field('date', 'date')
-schema.add_field('amount', 'decimal', aggregatable=True)
-schema.add_field('category', 'string')
-schema.set_monthly_unique(True)
-
-# 2. 创建特征管理器 (基于引擎架构)
-manager = FeatureManager('analytics_db', engine_type='spark')
-
-# 3. 生成特征SQL
-generator = FeatureGenerator(schema, manager)
-result = generator.generate_feature_by_type('aggregation', 2025, 7)
-print(result['sql'])  # 自动生成的聚合特征SQL
-```
-
-### 🏦 图灵平台集成 - 一键ML流程
-
-```python
-from staran.engines import create_turing_engine
-
-# 1. 创建图灵引擎
-turing = create_turing_engine("ml_analytics")
-
-# 2. 创建特征表
-create_result = turing.create_table(
-    table_name="user_features_2025_07_raw",
-    select_sql="SELECT user_id, sum(amount) as total_amount FROM user_behavior GROUP BY user_id",
-    execute=True,
-    mode="cluster"
-)
-
-# 3. 下载特征数据
-download_result = turing.download_table_data(
-    table_name="user_features_2025_07_raw",
-    output_path="file:///nfsHome/ml_features/user_features.parquet",
-    mode="cluster"
-)
-
-# 4. 批量下载查询结果
-query_result = turing.download_query_result(
-    sql="SELECT user_id, label FROM ml.training_labels WHERE dt='2025-07-28'",
-    output_path="file:///nfsHome/ml_labels/labels.parquet"
-)
-
-print(f"特征表创建: {create_result['status']}")
-print(f"数据下载: {download_result['status']}")
-```
-
-## 📖 核心功能
-
-### �️ 引擎架构设计
-
-**模块化引擎架构，清晰分离关注点：**
-
-```
-BaseEngine (抽象基类)
-├── SparkEngine (Spark SQL实现)
-│   └── TuringEngine (继承Spark + turingPythonLib)
-└── HiveEngine (Hive SQL实现)
-```
-
-| 引擎类型 | SQL生成 | 执行方式 | 下载方式 | 适用场景 |
-|---------|---------|---------|---------|---------|
-| SparkEngine | Spark SQL | 本地执行器 | DataFrame保存 | 本地开发、测试 |
-| HiveEngine | Hive SQL | 本地执行器 | 目录导出 | 传统Hive环境 |
-| TuringEngine | Spark SQL | turingPythonLib | tp.download() | 工银图灵平台 |
-
-| 功能对比 | 原生turingPythonLib | Staran集成 |
-|---------|-------------------|------------|
-| 参数管理 | 手动构建完整参数字典 | 简化API，智能默认值 |
-| 特征工程 | 手写SQL，手动管理表名 | 自动生成SQL，智能表名管理 |
-| 批量操作 | 循环调用，手动错误处理 | 一键批量，完整错误处理 |
-| 代码量 | 100+ 行样板代码 | 5-10行核心代码 |
-
-```python
-# 🚀 完整ML工作流示例
-from staran.sql.turing_integration import create_turing_integration
-
-turing = create_turing_integration("production_analytics")
-
-# 步骤1: 读取原始数据
-raw_data = turing.read_hive_table(
-    table_name="dwh.user_behavior_detail",
-    condition='pt_dt="2025-07-28" limit 500000',
-    local_path="/nfsHome/raw_data.csv"
-)
-
-# 步骤2: 一键特征工程
-pipeline_result = turing.create_and_download_features(
-    feature_sqls=auto_generated_feature_sqls,
-    base_table="ml_user_features", 
-    output_dir="file:///nfsHome/features/",
-    mode="cluster"
-)
-
-# 步骤3: 批量下载训练数据
-batch_result = turing.feature_manager.batch_download_features(
-    base_table="ml_user_features",
-    year=2025, month=7,
-    output_dir="file:///nfsHome/training_data/",
-    mode="cluster"
-)
-
-# 现在可以直接用于模型训练！
-```
-
-### 🔧 智能特征工程 - 自动SQL生成
-
-**支持4种特征类型的自动化生成：**
-
-1. **原始特征拷贝** (Raw Copy) - 非聚合字段智能拷贝
-2. **聚合统计特征** (Aggregation) - sum/avg/count/min/max等
-3. **环比特征** (MoM) - 月度差分对比分析  
-4. **同比特征** (YoY) - 年度差分对比分析
-
-```python
-from staran import TableSchema, FeatureGenerator, FeatureConfig
-
-# 定义表结构
-schema = TableSchema('user_monthly_behavior')
-schema.add_primary_key('user_id', 'string')
-schema.add_date_field('month_date', 'date')
-schema.add_field('purchase_amount', 'decimal', aggregatable=True)
-schema.add_field('order_count', 'int', aggregatable=True)
-schema.add_field('user_level', 'string')
-
-# 配置特征生成策略
-config = FeatureConfig()
-config.enable_feature('aggregation')  # 启用聚合特征
-config.enable_feature('mom')         # 启用环比特征
-config.aggregation_types = ['sum', 'avg', 'count']
-config.mom_periods = [1, 3]         # 1月和3月环比
-
-# 生成特征
-generator = FeatureGenerator(schema)
-generator.config = config
-
-# 查看特征摘要
-summary = generator.get_feature_summary()
-print(f"将生成 {summary['total']} 个特征")
-
-# 生成特定类型的SQL
-agg_result = generator.generate_feature_by_type('aggregation', 2025, 7)
-print("聚合特征SQL:", agg_result['sql'])
-```
-
-### 📥 智能数据下载 - 兼容turingPythonLib
-
-**3种下载方式，满足不同需求：**
-
-```python
-from staran import SQLManager, FeatureTableManager
-
-manager = SQLManager("analytics_db")
-
-# 1. 基础数据下载
-result = manager.download_data(
-    sql="SELECT * FROM user_behavior WHERE year=2025 AND month=7",
-    output_path="file:///nfsHome/data/user_behavior_202507/",
-    mode="cluster",
-    spark_resource={
-        'num_executors': '8',
-        'driver_memory': '8G',
-        'executor_memory': '8G'
-    }
-)
-
-# 2. 单个特征表下载
-feature_manager = FeatureTableManager(manager)
-single_result = feature_manager.download_feature_table(
-    table_name="analytics_db.user_features_2025_07_f001",
-    output_path="file:///nfsHome/features/agg_features/",
-    condition="WHERE purchase_amount > 1000"
-)
-
-# 3. 批量特征表下载
-batch_result = feature_manager.batch_download_features(
-    base_table="user_features",
-    year=2025, month=7,
-    output_dir="file:///nfsHome/batch_features/",
-    feature_nums=[1, 2, 3]  # 指定下载的特征编号
-)
-```
-
-### 🗓️ Date工具 - 智能格式记忆
-
-**Date类会根据输入格式自动设置默认输出格式：**
-
-| 输入方式 | 默认输出 | 说明 |
-|---------|---------|------|
-| `Date('202504')` | `202504` | 年月紧凑格式 |
-| `Date('20250415')` | `20250415` | 完整紧凑格式 |
-| `Date(2025, 4)` | `2025-04` | 年月格式 |
-| `Date(2025, 4, 15)` | `2025-04-15` | 完整格式 |
-
-```python
-date = Date('202504')
-
-# 默认格式（保持输入风格）
-print(date)                         # 202504
-
-# 多种输出格式
-print(date.format_full())          # 2025-04-01
-print(date.format_chinese())       # 2025年04月01日
-print(date.format_year_month())    # 2025-04
-print(date.format_compact())       # 20250401
-
-# 日期运算保持格式
-next_month = date.add_months(1)     # 202505
-tomorrow = date.add_days(1)         # 202504 (智能处理)
-```
-
-## 🎯 设计特色
-
-- **🏦 图灵平台专用** - 深度集成turingPythonLib，简化95%代码
-- **🚀 端到端自动化** - 从特征工程到模型训练数据的完整流程
-- **📊 智能特征工程** - 自动生成4类特征SQL，无需手写复杂查询
-- **📥 智能数据下载** - 兼容turingPythonLib格式，支持批量操作
-- **🔄 智能表管理** - 自动生成规范表名，版本控制和生命周期管理
-- **⚡ 简化API设计** - 直观易用，符合Python习惯
-- **🛡️ 完整错误处理** - 智能重试、详细日志和操作报告
-
-## 📁 项目结构
-
-```
-staran/
-├── __init__.py                    # 主包入口，v0.6.0功能导出
-├── schemas/                       # 🆕 表结构定义与文档生成模块
-│   ├── __init__.py               # Schema模块入口
-│   ├── document_generator.py     # 文档生成器 (MD/PDF/HTML)
-│   └── aum/                      # AUM业务域表结构
-│       └── __init__.py           # AUM表结构定义
-├── engines/                       # 🆕 模块化引擎架构
-│   ├── __init__.py               # 引擎模块入口
-│   ├── base.py                   # BaseEngine抽象基类
-│   ├── spark.py                  # SparkEngine实现
-│   ├── hive.py                   # HiveEngine实现
-│   └── turing.py                 # TuringEngine (继承SparkEngine)
-├── features/                      # 🆕 特征工程模块
-│   ├── __init__.py               # 特征模块入口
-│   ├── manager.py                # FeatureManager (使用引擎架构)
-│   ├── schema.py                 # 表结构定义
-│   └── generator.py              # 特征生成器
-├── examples/                      # 🆕 完整示例模块
-│   ├── __init__.py               # 示例模块入口
-│   └── aum_longtail.py           # AUM代发长尾模型示例
-├── tools/
-│   ├── __init__.py               # 工具模块
-│   └── date.py                   # Date类实现
-├── setup.py                      # 安装配置  
-├── README.md                     # 本文档 v0.6.0
-└── quick-upload.sh               # 快速部署脚本
-```
-
-## 🧪 快速测试
-
-### 引擎架构测试
-```python
-from staran import create_engine, create_turing_engine
-
-# 测试SparkEngine
-spark = create_engine('spark')
-print(f"Spark引擎: {spark.__class__.__name__}")
-
-# 测试TuringEngine继承
-turing = create_turing_engine("test_analytics")
-print(f"Turing引擎父类: {turing.__class__.__bases__[0].__name__}")
-print(f"是否为SparkEngine子类: {isinstance(turing, spark.__class__)}")
-
-# 测试引擎功能
-sql = turing.generate_sql("SELECT user_id, amount FROM users", {"table": "test"})
-print(f"SQL生成测试: {'success' if sql else 'failed'}")
-```
-
-### AUM示例测试  
-```python
-from staran import create_aum_example
-
-# 创建示例并查看摘要
-example = create_aum_example("dwegdata03000")
-example.print_summary()
-
-# 快速运行（测试模式，不执行实际SQL）
-print("🎯 AUM长尾模型示例已准备就绪")
-print("📊 包含4张业务表的完整特征工程流程")
-```
-
-### 一键运行示例
-```python
-from staran import run_aum_example
-
-# 最简单的使用方式
-results = run_aum_example("202507")  # 指定特征月份
-print(f"✅ 处理完成: {len(results)} 个表")
-```
-
-### Date工具测试
-```python
-from staran import Date
-
-# 测试格式记忆
-date = Date('202504')
-print(f"原始: {date}")                    # 202504
-print(f"加2月: {date.add_months(2)}")     # 202506
-
-# 测试多格式输出
-print(f"中文: {date.format_chinese()}")   # 2025年04月01日
-print(f"完整: {date.format_full()}")      # 2025-04-01
-```
-
-## 🚀 在图灵NoteBook中开始使用
-
-### 1. 环境准备
-```python
-# 在图灵NoteBook中执行
-import sys
-sys.path.append("/nfsHome/staran")  # 假设已上传staran包
-
-# 检查新引擎架构
-from staran import create_turing_engine
-turing = create_turing_engine("your_analytics_db")
-print(f"✅ 引擎类型: {turing.__class__.__name__}")
-print(f"✅ 继承关系: 继承自{turing.__class__.__bases__[0].__name__}")
-print("🚀 环境就绪！开始特征工程之旅")
-```
-
-### 2. 运行AUM示例
-```python
-# 最简单的方式 - 一行代码完成复杂特征工程
-from staran import run_aum_example
-
-results = run_aum_example(
-    feature_date="202507",           # 特征月份
-    database="dwegdata03000",        # 数据库名
-    output_path="file:///nfsHome/aum_features"  # 输出路径
-)
-
-print(f"✅ 成功！处理了4张表，生成了完整的特征数据集")
-print("📂 数据已保存到 /nfsHome/aum_features/ 目录")
-```
-
-### 3. 自定义特征工程
-```python
-# 如需更多控制，使用详细API
-from staran import create_aum_example
-
-example = create_aum_example("dwegdata03000")
-
-# 查看会生成哪些特征
-example.print_summary()
-
-# 运行特征工程
-results = example.run("202507")
-
-# 查看结果
-for table_type, result in results.items():
-    if 'table_name' in result:
-        print(f"{table_type}: {result['table_name']}")
-```
-
-## 📊 性能优势
-
-### 开发效率提升
-- **代码减少**: 从100+行样板代码降至5-10行核心逻辑
-- **开发时间**: 特征工程时间减少80%
-- **维护成本**: 自动化管理减少手动错误
-
-### 运行性能优化  
-- **集群资源**: 智能Spark资源分配和优化
-- **批量处理**: 并行下载和增量处理
-- **错误恢复**: 自动重试和断点续传
-
-## 🎯 完整示例
-
-### AUM代发长尾模型 - 简化API
-位置：`staran.examples` 模块
-
-基于真实金融业务场景的完整特征工程示例，展示了新的引擎架构优势：
-
-```python
-# 最简单的使用方式
-from staran import run_aum_example
-
-# 一键运行完整特征工程流程
-results = run_aum_example(
-    feature_date="202507",  # 可选，默认当前月
-    database="dwegdata03000",
-    output_path="file:///nfsHome/aum_longtail"
-)
-
-print(f"✅ 特征工程完成！处理了 {len(results)} 个表")
-```
-
-**更多控制的方式：**
-```python
-from staran import create_aum_example
-
-# 创建示例实例
-example = create_aum_example("dwegdata03000")
-
-# 查看特征摘要
-example.print_summary()
-
-# 运行特征工程
-results = example.run("202507")
-```
-
-**示例特点：**
-- 🏦 **真实业务场景** - 4张银行核心业务表的完整处理
-- 🔧 **智能特征配置** - A表(源表+聚合)，其他表(全特征：环比5个月+同比1年)
-- 📊 **多维度特征** - 客户行为、资产配置、交易统计、境外交易等
-- 🚀 **简化API** - 一行代码完成复杂特征工程
-- 📋 **完整文档** - 每个字段都有详细的业务含义说明
-
-**数据表说明：**
-- **A表** (`bi_hlwj_dfcw_f1_f4_wy`): 客户行为特征 → 仅生成原始拷贝+聚合特征
-- **B表** (`bi_hlwj_zi_chan_avg_wy`): 资产平均余额 → 生成全部特征(聚合+环比5个月+同比1年)
-- **C表** (`bi_hlwj_zi_chang_month_total_zb`): 月度资产配置 → 生成全部特征
-- **D表** (`bi_hlwj_realy_month_stat_wy`): 月度实际统计 → 生成全部特征
-
-## 📄 许可证
-
-MIT License
-
----
-
-**Staran v0.6.0** - 模块化引擎架构，让机器学习特征工程变得前所未有的简单 🌟

staran-0.6.1.dist-info/RECORD

@@ -1,28 +0,0 @@
-staran/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
-staran/banks/__init__.py,sha256=m4IUdFLXvNtgpmxDhKptCtALyaGkF1-T9hbNqdXczLI,544
-staran/banks/xinjiang_icbc/__init__.py,sha256=Ql3gQFh1h4EwUdU3fePW1chV5iAegxjLWiPxbYa_J80,3131
-staran/engines/__init__.py,sha256=aQCpDxY_JcKlApEsEp2wg_P3IwNDTCFb7OYcLHiPPmk,1627
-staran/engines/base.py,sha256=IIN-QxPsO-q3KmQ3Lz0cB9bs6Oac0Wy5MIF605HrHVw,7969
-staran/engines/hive.py,sha256=-KwZiAvK5cxwnoyYQlqGWrcZkeKhbd8QCX3chpbezd0,5894
-staran/engines/spark.py,sha256=XPxzefD9UF8oigeQISBW892RINJ9dGLbl994FWpIKBc,9361
-staran/engines/turing.py,sha256=XEKkEMMWedvaGxKQ2vEHmB3TWLNLxOu1upgiBylwqjA,15516
-staran/features/__init__.py,sha256=uMloEuevUjUPfro8Yv4STwvxpSVL0J1xsQTzN_EkLpo,1828
-staran/features/engines.py,sha256=kqdS2xjmCVi0Xz1Oc3WaTMIavgAriX8F7VvUgVcpfqo,10039
-staran/features/generator.py,sha256=CI1F_PshOvokQJelsqSaVp-SNQpMc-WVmjMQKzgdeLw,23114
-staran/features/manager.py,sha256=2-3Hc3qthtyzwiuQy5QTz6RfhKK3szoylconzI3moc4,5201
-staran/features/schema.py,sha256=FwOfpTcxq4K8zkO3MFNqKPQBp_e8qY-N6gazqm9_lAQ,6067
-staran/models/__init__.py,sha256=VbfrRjmnp8KlFSEZOa-buECAaERptzAnvUUZK9dpgtY,2390
-staran/models/config.py,sha256=fTbZtJq4-ZuCSSd1eW7TkIbEdDyZv2agHJCYnwOCJ_s,8886
-staran/models/daifa_models.py,sha256=J7aqK41NDMDjacsjmxqwyuJfgf1kJx-Kaxj5CGQLISE,13166
-staran/models/registry.py,sha256=Zeey4TtbHtJ40odyZQzOLijyZCmlMBRuniPk_znS2Q8,10223
-staran/models/target.py,sha256=gKTTatxvOJjmE50qD6G6mhlYLuZL3Cvn3FLNbXl1eeU,10531
-staran/schemas/__init__.py,sha256=ztrBlQ3irbgM7gHB_dhiLEX1ZpDX2AAWOeiPnZTe-sk,779
-staran/schemas/aum/__init__.py,sha256=z0cuC6A3z-1cPKMDYrn0wCumjKkpk_0kfqGfW1JNEbc,9815
-staran/tools/__init__.py,sha256=KtudrYnxKD9HZEL4H-mrWlKrmsI3rYjJrLeC9YDTpG4,1054
-staran/tools/date.py,sha256=-QyEMWVx6czMuOIwcV7kR3gBMRVOwb5qevo7GEFSJKE,10488
-staran/tools/document_generator.py,sha256=Mr7TjmKwspqxXnp9DhzZxsRx0l2Bo7MOI8mOxRtgwxU,13600
-staran-0.6.1.dist-info/licenses/LICENSE,sha256=2EmsBIyDCono4iVXNpv5_px9qt2b7hfPq1WuyGVMNP4,1361
-staran-0.6.1.dist-info/METADATA,sha256=_lLAAbTSVcGJ4hSj8DVXig4fGhgGVoYlu_YjR14IJ0M,20444
-staran-0.6.1.dist-info/WHEEL,sha256=_zCd3N1l69ArxyTb8rzEoP9TpbYXkqRFSNOD5OuxnTs,91
-staran-0.6.1.dist-info/top_level.txt,sha256=NOUZtXSh5oSIEjHrC0lQ9WmoKtD010Q00dghWyag-Zs,7
-staran-0.6.1.dist-info/RECORD,,