ATP - استخراج متن از فایل آپلودی (dev) (POST /api/v1/dev/ingest/extract)

Endpoint

POST /api/v1/dev/ingest/extract

هدف آزمون

اجرای کامل pipeline استخراج متن روی فایل آپلودشده و بازگرداندن متن نرمال‌شده.

شرایط آزمون

• APP_ENV برابر local یا docker-dev باشد
• سرویس API در حال اجرا باشد
• فایل نمونه با پسوند .pdf، .docx یا .txt آماده باشد

فرآیند آزمون

1. آماده‌سازی فایل نمونه
2. ارسال POST multipart با فیلد file
3. دریافت DevIngestResponse
4. بررسی normalized_text و متادیتا

معرفی ویژگی

endpoint توسعه‌ای برای تست دستی pipeline استخراج بدون RabbitMQ. فایل را مستقیم آپلود می‌کند و نتیجه LangGraph intake را برمی‌گرداند.

• فرمت‌های پشتیبانی‌شده: pdf، docx، txt
• حداکثر حجم: ۵۰ مگابایت
• خروجی کامل: normalized_text بدون truncate
• فقط dev: در APP_ENV=docker ثبت نمی‌شود (404)

سناریوی آزمون

سناریو 1: استخراج موفق فایل txt

1. آپلود فایل sample.txt با محتوای متنی
2. ارسال POST به /api/v1/dev/ingest/extract
3. دریافت کد 200
4. بررسی file_type، pages_count، text_length و normalized_text

سناریو 2: خطا — پسوند نامعتبر

1. آپلود فایل با پسوند .exe
2. ارسال POST
3. دریافت کد 400 با پیام Unsupported file type

قالب API

Swagger

post:
  summary: Run full intake pipeline on uploaded file (dev only)
  responses:
    200:
      description: Extraction completed
    400:
      description: Unsupported file type
    413:
      description: File too large
    422:
      description: Validation error
    500:
      description: Extraction failed
    404:
      description: Route not registered in production

نمونه ورودی

curl -X POST "http://127.0.0.1:8000/api/v1/dev/ingest/extract" \
  -F "file=@sample.txt;type=text/plain"

نمونه خروجی

{
  "file_type": "txt",
  "pages_count": 1,
  "text_length": 11,
  "normalized_text": "sample text",
  "text_sha256": "...",
  "warnings": [],
  "parser_version": "0.1.0"
}

Status Codes

• 200: استخراج با موفقیت انجام شد
• 400: نوع فایل پشتیبانی نمی‌شود
• 413: حجم فایل بیش از ۵۰MB
• 422: فایل خالی یا نام فایل نامعتبر
• 500: خطای داخلی pipeline
• 404: در محیط production مسیر وجود ندارد

نتیجه مورد انتظار

در محیط dev، پاسخ JSON با normalized_text کامل و متادیتای استخراج با کد 200.

روال صحت‌سنجی

1. بررسی کد 200 برای فایل معتبر
2. بررسی تطابق normalized_text با محتوای فایل
3. بررسی text_sha256 و parser_version
4. بررسی 400 برای پسوند نامعتبر

توضیحات

• مسیر production استخراج از طریق RabbitMQ است نه HTTP
• Swagger در APP_ENV=docker غیرفعال است