prep-step/CadSearchGui/AssemblyComponentScanner.cs

using System.Text;
using System.Text.RegularExpressions;

namespace CadSearchGui;

/// <summary>
/// Estrae i codici componente referenziati dentro un file .asm Pro-E/Creo.
/// Il formato è per lo più binario, ma i codici dei sotto-componenti compaiono
/// come stringhe ASCII leggibili al suo interno: si scansiona il file come testo
/// cercando pattern che assomigliano a un codice (stesso stile usato nei nomi file,
/// vedi Indexer.FilenameRegex) e si lascia poi al chiamante il compito di verificarli
/// contro l'indice DB, che scarta automaticamente i falsi positivi (numeri che non
/// corrispondono a nessun codice reale).
///
/// Verificato su un caso reale confrontando con un report BOM generato da Creo: i
/// riferimenti veri compaiono più volte nel file (una volta per feature/placement),
/// mentre il rumore binario casuale che assomiglia a un codice compare quasi sempre
/// una sola volta. Si scartano quindi i candidati con una sola occorrenza.
///
/// Falso positivo noto ed escluso: gli ID interni di viste salvate, nel formato
/// "ModelView#&lt;numero&gt;", hanno la stessa forma di un codice (8-12 cifre) e
/// compaiono più volte come un riferimento vero. Vedi docs/formato-asm.md.
/// </summary>
static class AssemblyComponentScanner
{
    private static readonly Regex CodiceRegex = new(
        @"(?<!ModelView#)\b\d{8,12}(?:_[A-Za-z]\d{2,4}|[A-Za-z]{0,2})\b", RegexOptions.Compiled);
    private const int OccorrenzeMinime = 2;

    public static HashSet<string> EstraiCodiciReferenziati(string percorsoAsm)
    {
        var testo = Encoding.Latin1.GetString(File.ReadAllBytes(percorsoAsm));
        var occorrenze = new Dictionary<string, int>();
        foreach (Match m in CodiceRegex.Matches(testo))
        {
            occorrenze[m.Value] = occorrenze.GetValueOrDefault(m.Value) + 1;
        }
        return occorrenze.Where(kv => kv.Value >= OccorrenzeMinime).Select(kv => kv.Key).ToHashSet();
    }
}