PROGRESS-web.md · 平台组（Web 前端）

更新：2026-11-03 11:50

已完成

app.py：FastAPI 应用，端口 8736，绑定 0.0.0.0
- GET /：中文单页应用（HTML/CSS/JS 全部内嵌，无外部 CDN，适配 2G 内存服务器）
  - 拖拽 + 按钮两种上传方式
  - 处理进度条 + 阶段文字（页面分流 → 抽取识别 → 脱敏回写）
  - 结果区：敏感项表格（类型/原文/页码）、下载脱敏文件按钮、保留原件下载按钮
- POST /api/process（multipart）：上传存 /tmp/tm-uploads/<task_id>/input.pdf，后台线程处理，立即返回 task_id
- GET /api/tasks / GET /api/tasks?task_id=：任务状态轮询（含 tmkit 是否就绪标志）
- GET /download/{task_id}?type=redacted|original：文件下载，未完成任务返回 409
- GET /progress：开发进展看板，渲染 PROGRESS-backend/web/deploy.md，缺失显示「进行中」
tmkit 集成：按当前实际签名调用 classify_pages(pdf_bytes) → 逐页 extract_page_words(page) + detector.scan_page_words(words, page) → redact_pdf(pdf_bytes, hits) tmkit 导入失败时自动降级为占位逻辑（正则粗扫手机号 + 原样拷贝输出），页面顶部/结果区会提示「占位模式」——TODO：tmkit 正式就绪后该分支可删
非 PDF 上传返回 400；不存在任务/文件返回 404

uvicorn app:app --host 0.0.0.0 --port 8736 启动正常
GET / → 200；GET /progress → 200
reportlab 生成测试 PDF（含手机号 13812345678 / 15987654321、身份证号）
POST /api/process → {"task_id":"b603facc8ddc"}
轮询 GET /api/tasks?task_id= → status:"done", items:[{"type":"phone","text":"15987654321","page":1}]
GET /download/...?type=redacted → 200（966B，已脱敏）
GET /download/...?type=original → 200；错误 task_id → 404

检测漏项（疑似分词问题，归管线组）：测试 PDF 里 13812345678 紧跟在 Phone: 后，fitz 抽词时与前一截文字合并成一个 word，detector 逐词正则匹配不到；15987654321 前有空格可正常检出。建议 detector 对 word 做跨词滑窗或先拼接整行文本再定位 bbox。
任务表在内存中，重启后 /tmp 文件还在但任务状态丢失；上传目录无自动清理（长期运行会占盘）。
处理为单线程逐任务并发（threading），大文件并发多了内存可能吃紧（2G 服务器）；未做限流。