deep_research/scripts/build_report.py

#!/usr/bin/env python3
"""Phase 4 成稿阶段：统一入口。

从 final_zh_polished.md（或指定的 Markdown）+ manifest.json 生成：
- <title>.pdf         ReportLab 出中文 PDF
- <title>.docx        Pandoc 出 DOCX
- <title>-en.pdf      如果存在 final_en.md 也一并出英文版（可选）

文件名来自 manifest.report_title（去掉非法字符），不再用 "final.pdf" 这种通用名。

用法：
    uv run python scripts/build_report.py <project_slug>

    # 只生成 PDF：
    uv run python scripts/build_report.py <project_slug> --no-docx

    # 从自定义 md 生成：
    uv run python scripts/build_report.py <project_slug> --input phase4/final_zh.md

环境依赖：
- reportlab, pypandoc, 思源字体（bash .opencode/templates/fonts/download-fonts.sh）
- pandoc 可执行文件在 PATH
"""

from __future__ import annotations

import argparse
import json
import re
import shutil
import subprocess
import sys
from pathlib import Path

sys.path.insert(0, str(Path(__file__).resolve().parent.parent))

from scripts.lib.zenmux_client import load_secrets  # noqa: F401 (为一致性)


REPO_ROOT = Path(__file__).resolve().parent.parent
PDF_TEMPLATE = REPO_ROOT / ".opencode" / "templates" / "report-template.py"
DEFAULT_FONTS_DIR = REPO_ROOT / ".opencode" / "templates" / "fonts"


def resolve_project(arg: str) -> Path:
    p = Path(arg)
    if p.is_dir():
        return p.resolve()
    cand = REPO_ROOT / "projects" / arg
    if cand.is_dir():
        return cand.resolve()
    raise SystemExit(f"project not found: {arg}")


# 文件系统对文件名的常见限制：Windows 更严格，按最小公倍数来
_FS_ILLEGAL_RE = re.compile(r'[\\/:*?"<>|\r\n\t]+')
_WHITESPACE_RE = re.compile(r"\s+")


def sanitize_filename(name: str, max_len: int = 120) -> str:
    """把报告标题变成可跨 OS 使用的文件名。"""
    if not name:
        return "report"
    # 去掉非法字符
    cleaned = _FS_ILLEGAL_RE.sub(" ", name)
    # 合并空白
    cleaned = _WHITESPACE_RE.sub(" ", cleaned).strip()
    # 首尾 . 空格 . （Windows 要求）
    cleaned = cleaned.strip(". ").strip()
    if len(cleaned) > max_len:
        cleaned = cleaned[:max_len].rstrip()
    return cleaned or "report"


def load_manifest(path: Path) -> dict:
    return json.loads(path.read_text(encoding="utf-8"))


def determine_input_md(project_root: Path, preferred: str | None) -> Path:
    """决定用哪个 Markdown 出稿。

    优先级：--input 指定 > final_zh_polished.md > final_zh.md > final_en.md
    """
    if preferred:
        p = project_root / preferred
        if not p.exists():
            raise SystemExit(f"指定的 --input 不存在：{p}")
        return p
    for candidate in (
        "phase4/final_zh_polished.md",
        "phase4/final_zh.md",
        "phase4/final_en.md",
    ):
        p = project_root / candidate
        if p.exists():
            return p
    raise SystemExit(
        f"找不到任何 Markdown 源。项目根：{project_root}\n"
        "先跑 translate.py / polish.py 或使用 --input 指定路径。"
    )


def build_pdf(
    md_path: Path,
    manifest_path: Path,
    output_pdf: Path,
    fonts_dir: Path,
    sources_path: Path | None,
) -> None:
    """调用 report-template.py 生成 PDF。"""
    cmd = [
        sys.executable,
        str(PDF_TEMPLATE),
        "--input", str(md_path),
        "--manifest", str(manifest_path),
        "--output", str(output_pdf),
        "--fonts-dir", str(fonts_dir),
    ]
    if sources_path and sources_path.exists():
        cmd += ["--sources", str(sources_path)]

    print(f"\n→ 生成 PDF：{output_pdf.name}")
    result = subprocess.run(cmd, check=False)
    if result.returncode != 0:
        raise SystemExit(f"PDF 生成失败，返回码 {result.returncode}")


def build_docx(md_path: Path, output_docx: Path, title: str) -> None:
    """用 pandoc 生成 DOCX。"""
    if not shutil.which("pandoc"):
        print(f"  ⚠ pandoc 不在 PATH，跳过 DOCX 生成", file=sys.stderr)
        return

    print(f"\n→ 生成 DOCX：{output_docx.name}")
    # 关闭 tex_math_dollars/tex_math_single_backslash 防止文中 "$100" "$10^6" 被当数学公式
    cmd = [
        "pandoc",
        str(md_path),
        "-o", str(output_docx),
        "--from=markdown-tex_math_dollars-tex_math_single_backslash-raw_tex",
        "--to=docx",
        "--standalone",
        "-M", f"title={title}",
        "--wrap=preserve",
    ]
    # reference-doc 如果存在就用
    ref_doc = REPO_ROOT / ".opencode" / "templates" / "reference.docx"
    if ref_doc.exists():
        cmd += ["--reference-doc", str(ref_doc)]

    result = subprocess.run(cmd, check=False)
    if result.returncode != 0:
        print(f"  ⚠ DOCX 生成失败（返回码 {result.returncode}），但不阻断流程", file=sys.stderr)


def main() -> int:
    parser = argparse.ArgumentParser(description="Phase 4 成稿（PDF + DOCX）")
    parser.add_argument("project", help="项目 slug 或完整路径")
    parser.add_argument(
        "--input",
        default=None,
        help="Markdown 源（默认自动寻找 phase4/final_zh_polished.md）",
    )
    parser.add_argument(
        "--output-dir",
        default="phase4",
        help="输出目录（相对项目根，默认 phase4）",
    )
    parser.add_argument(
        "--fonts-dir",
        default=str(DEFAULT_FONTS_DIR),
        help="字体目录",
    )
    parser.add_argument(
        "--sources",
        default=None,
        help="sources.jsonl 路径（默认 phase2/sources.jsonl）",
    )
    parser.add_argument("--no-docx", action="store_true", help="跳过 DOCX 生成")
    parser.add_argument("--no-pdf", action="store_true", help="跳过 PDF 生成")
    parser.add_argument(
        "--basename",
        default=None,
        help="文件名 stem（不带扩展名），默认从 manifest.report_title 生成",
    )
    args = parser.parse_args()

    project_root = resolve_project(args.project)
    manifest_path = project_root / "manifest.json"
    if not manifest_path.exists():
        raise SystemExit(f"manifest.json not found: {manifest_path}")

    manifest = load_manifest(manifest_path)
    md_path = determine_input_md(project_root, args.input)

    title = manifest.get("report_title") or manifest.get("topic") or "Deep Research Report"
    basename = args.basename or sanitize_filename(title)
    output_dir = project_root / args.output_dir
    output_dir.mkdir(parents=True, exist_ok=True)

    pdf_path = output_dir / f"{basename}.pdf"
    docx_path = output_dir / f"{basename}.docx"

    fonts_dir = Path(args.fonts_dir)
    if not fonts_dir.is_absolute():
        fonts_dir = REPO_ROOT / fonts_dir

    sources_path: Path | None = None
    if args.sources:
        sources_path = Path(args.sources)
    else:
        default_src = project_root / "phase2" / "sources.jsonl"
        if default_src.exists():
            sources_path = default_src

    print("========== Phase 4 成稿 ==========")
    print(f"项目：       {project_root.name}")
    print(f"Markdown：   {md_path.relative_to(project_root)}")
    print(f"标题：       {title}")
    print(f"输出名：     {basename}")
    print(f"字体目录：   {fonts_dir}")
    print(f"Sources：    {sources_path if sources_path else '(缺失)'}")

    if not args.no_pdf:
        build_pdf(md_path, manifest_path, pdf_path, fonts_dir, sources_path)
    if not args.no_docx:
        build_docx(md_path, docx_path, title)

    print("\n========== 完成 ==========")
    if pdf_path.exists():
        print(f"  PDF:  {pdf_path.relative_to(project_root)}  ({pdf_path.stat().st_size // 1024} KB)")
    if docx_path.exists():
        print(f"  DOCX: {docx_path.relative_to(project_root)}  ({docx_path.stat().st_size // 1024} KB)")
    return 0


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