guanlan-src/scripts/place_raw_data.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""把现场给的数据包按 A2 约定落位到 data/raw/<场站名称>/ 下 (2026-09-11)。

## 为什么要有这个脚本

A2 定了四项数据源的落位: data/raw/<场站名称>/{scada_10min, 故障报警, 风机故障记录, 油样报告}。
现场拿到的却是几个 GBK 名的大压缩包 (10分钟数据.zip / 如东风场数据.zip), 内部目录名与
落位目录名并不一一对应 (例如报警在 `报警数据/`, 工单在 `工作/风机故障记录/`,
油样埋在 `数据收集/更新/（8）…/2025年油样/`)。手工拖拽容易拖错一层、也说不清依据什么。

本脚本把映射**写成表**, 于是"哪个包里的哪个目录去了哪"是可复核的, 重复跑也不会走样。

## 落位映射 (target 相对 data/raw/<场站名称>/)

  scada_10min/    ← 10分钟数据.zip 全部 38 个 WTG*.csv (平铺; src/windscada/data.py 按
                    <src_10min>/<turbine>.csv 读, 所以必须是文件本身不是再套一层目录)
  故障报警/        ← 如东风场数据.zip: 报警数据/**           (年度/季度 .xls, XML 报警导出)
                    如东风场数据.zip: 数据收集/更新/（2）故障记录（首发故障有标识）（2025.1-至今）/故障记录/**
                                      (2025年全年故障记录.xls / 2026年至今.xls — 正是页面写的 *年至今.xls)
  风机故障记录/    ← 如东风场数据.zip: 工作/风机故障记录/**   (2021…2026 年故障记录/ + 业主统计故障/ + 年度 .rar)
                    如东风场数据.zip: 数据收集/更新/（3）现场检修记录（2025.1-至今）/大部件维修记录.*.xlsx
  油样报告/        ← 如东风场数据.zip: 数据收集/更新/（8）风机振动数据、油液分析记录（2025.1-至今）/2025年油样/**
                                      (去掉"2025年油样"这一层, 直接落成 <台号>/<部件>/<pdf>,
                                       与维护页说明"按台号/部件分目录"一致)

## 故意不做的事

  · 不落 `（3）现场检修记录/2025年检修记录` 与 `2026年检修记录`: 与 工作/风机故障记录/2025年故障记录、
    2026年故障记录 **逐件同名同大小**(19/19 件), 是同一批月度汇总表的副本。落两遍会让"按年目录"
    摄入看到两份重复台账 (2026-08-31 长停台账虚高 35 倍那类事故的同款成因: 快照重复必须归并, 不能叠加)。
  · 不落 `（8）…/振动分析报告/`: 属振动线 (CMS), 不在 A2 四项数据层内。
  · 不落 1分钟数据.zip / scada数据（如东）/ / 西门子4.0技术资料/ 等: A3 本轮范围是 A2 那四类。

用法:
    python scripts/place_raw_data.py --dry-run      # 只报要落什么, 不写盘
    python scripts/place_raw_data.py                # 真落位 (已存在则覆盖)
    python scripts/place_raw_data.py --src D:\\别的现场数据目录
"""
from __future__ import annotations

import argparse
import pathlib
import shutil
import sys
import zipfile

ROOT = pathlib.Path(__file__).resolve().parents[1]
sys.path.insert(0, str(ROOT))

# 现场数据包所在目录: 用 --src 指定, 或 env GUANLAN_PLACE_SRC; 默认取安装目录下 data/_incoming
DEFAULT_SRC = pathlib.Path(os.environ.get('GUANLAN_PLACE_SRC') or (ROOT / 'data' / '_incoming'))
ZIP_10MIN = '10分钟数据.zip'
ZIP_FARM = '如东风场数据.zip'

# (压缩包, 包内前缀, 目标子目录, 是否去掉前缀这一层)
RULES = [
    ('10分钟数据.zip', '', 'scada_10min', True),
    ('如东风场数据.zip', '如东风场数据/报警数据/', '故障报警', True),
    ('如东风场数据.zip', '如东风场数据/数据收集/更新/（2）故障记录（首发故障有标识）（2025.1-至今）/故障记录/', '故障报警', True),
    ('如东风场数据.zip', '如东风场数据/工作/风机故障记录/', '风机故障记录', True),
    ('如东风场数据.zip', '如东风场数据/数据收集/更新/（3）现场检修记录（2025.1-至今）/大部件维修记录.20240619143912557.xlsx', '风机故障记录', True),
    ('如东风场数据.zip', '如东风场数据/数据收集/更新/（8）风机振动数据、油液分析记录（2025.1-至今）/2025年油样/', '油样报告', True),
]
# 说明性的"故意不落", 只在报告里列出来
SKIPPED = [
    ('如东风场数据.zip', '如东风场数据/数据收集/更新/（3）现场检修记录（2025.1-至今）/2025年检修记录/',
     '与 工作/风机故障记录/2025年故障记录 逐件同名校验相同 (副本)'),
    ('如东风场数据.zip', '如东风场数据/数据收集/更新/（3）现场检修记录（2025.1-至今）/2026年检修记录/',
     '与 工作/风机故障记录/2026年故障记录 逐件同名校验相同 (副本)'),
    ('如东风场数据.zip', '如东风场数据/数据收集/更新/（8）风机振动数据、油液分析记录（2025.1-至今）/振动分析报告/',
     '属振动线 (CMS), 不在 A2 四项数据层内'),
]


def gbk_name(info: zipfile.ZipInfo) -> str:
    """zip 条目名 → 真名。现场包用 GBK 存中文名, zipfile 按 cp437 解出来是乱码。"""
    raw = info.filename
    try:
        return raw.encode('cp437').decode('gbk')
    except Exception:
        try:
            return raw.encode('cp437').decode('utf-8')
        except Exception:
            return raw


def human(n: float) -> str:
    for unit in ('B', 'KB', 'MB', 'GB'):
        if n < 1024 or unit == 'GB':
            return f'{n:.1f} {unit}'
        n /= 1024
    return f'{n:.1f} GB'


def plan(src: pathlib.Path, station: pathlib.Path):
    """→ [(zip, 目标文件, 包内条目名, 解压后大小)]; 只读压缩包目录, 不解压。"""
    out = []
    for zname, prefix, target, strip in RULES:
        zp = src / zname
        if not zp.exists():
            raise SystemExit(f'缺压缩包: {zp}')
        with zipfile.ZipFile(zp) as zf:
            for info in zf.infolist():
                if info.is_dir():
                    continue
                name = gbk_name(info).replace('\\', '/')
                if not name.startswith(prefix):
                    continue
                rest = name[len(prefix):] if strip else name
                if not rest:
                    continue
                out.append((zname, station / target / rest, name, info.file_size))
    return out


def main() -> int:
    ap = argparse.ArgumentParser()
    ap.add_argument('--src', default=str(DEFAULT_SRC), help='现场数据目录 (默认 %(default)s)')
    ap.add_argument('--dry-run', action='store_true', help='只报计划, 不写盘')
    a = ap.parse_args()

    src = pathlib.Path(a.src)
    if not src.is_dir():
        raise SystemExit(f'现场数据目录不存在: {src}')

    from src.windscada.config import farm, raw_station_dir
    station = pathlib.Path(raw_station_dir())
    cfg = farm()
    print(f'场站目录: {station}   (来自 src/windscada/config.py raw_station={cfg.get("raw_station")!r})')
    print(f'现场数据: {src}\n')

    items = plan(src, station)
    by_target = {}
    for zname, dst, entry, size in items:
        t = dst.relative_to(station).parts[0]
        d = by_target.setdefault(t, [0, 0])
        d[0] += 1
        d[1] += size
    print('== 计划落位 ==')
    for t in ('scada_10min', '故障报警', '风机故障记录', '油样报告'):
        n, sz = by_target.get(t, (0, 0))
        print(f'  {t:12s} {n:5d} 件  {human(sz):>10s}   → {station / t}')
    print(f'  合计 {len(items)} 件, {human(sum(i[3] for i in items))}')

    print('\n== 故意不落 ==')
    for zname, prefix, why in SKIPPED:
        print(f'  {prefix}\n      理由: {why}')

    if a.dry_run:
        print('\n(dry-run, 未写盘)')
        return 0

    print('\n== 落位 ==')
    done = 0
    for zname, dst, entry, size in items:
        dst.parent.mkdir(parents=True, exist_ok=True)
        with zipfile.ZipFile(src / zname) as zf:
            info = next(i for i in zf.infolist() if gbk_name(i).replace('\\', '/') == entry)
            with zf.open(info) as fsrc, open(dst, 'wb') as fdst:
                shutil.copyfileobj(fsrc, fdst, 1024 * 1024 * 4)
        got = dst.stat().st_size
        if got != size:
            raise SystemExit(f'写出大小不符: {dst} 期望 {size} 实得 {got}')
        done += 1
        if done % 10 == 0 or size > 50 * 1024 * 1024:
            print(f'  [{done}/{len(items)}] {human(size):>10s}  {dst.relative_to(station)}', flush=True)
    print(f'\n完成: {done} 件写入 {station}')
    return 0


if __name__ == '__main__':
    sys.exit(main())