Fix euristica BOM, unifica script/GUI su un'unica fonte, aggiungi test integrazione/E2E

Due bug reali trovati confrontando l'estrazione BOM con la BOM ufficiale Creo:
un componente scartato per placement fallito in un file veniva bloccato per
sempre anche quando il file giusto aveva un vero placement (perdendo interi
sotto-alberi come 9256510047), e i codici con suffisso (_C01 ecc.) richiedevano
sempre placement esplicito invece dell'eccezione per occorrenze ripetute già
presente nella GUI. Entrambi corretti.

AssemblyComponentScanner reso pubblico e scripts/BomViaDb.cs, ExtractCreoStrings.cs
riscritti per referenziarlo via "#:project" invece di duplicare l'euristica:
un'unica fonte di verità condivisa da GUI e script standalone.

Aggiunti test di integrazione per Indexer.ScanAsync (mai coperto oltre al
parsing del nome file) e test end-to-end che ricostruiscono l'intera pipeline
disco -> indice -> risoluzione albero componenti senza toccare la UI.

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>

scripts/BomViaDb.cs

@@ -1,17 +1,16 @@
+#:project ../PrepStep/PrepStep.csproj
+#:property TargetFramework=net10.0-windows
 #:package Microsoft.Data.Sqlite@10.0.12
 // dotnet run scripts/BomViaDb.cs -- <file.asm> [cad_index.db] [output.txt]
 //
-// PROVA: a differenza di ExtractCreoStrings.cs (che restringe i candidati a un solo
-// pattern di codice, tarato sui codici numerici Pro-E), qui l'estrazione è generica -
-// qualunque run di lettere/cifre/underscore/trattino - e il DB decide se è un codice
-// vero, così si intercettano anche i nomi alfabetici delle parti commerciali scaricate
-// come STEP (es. "ANELLO_ESTERNO-1-SOLID1"). L'essere nel DB da solo non basta però:
-// codici corti o generici (es. "907", "NONE") comparirebbero per puro rumore binario,
-// quindi si richiede comunque il placement esplicito nel file, come in
-// ExtractCreoStrings.cs. Stessa espansione ricorsiva sui sotto-assiemi.
-using System.Text;
-using System.Text.RegularExpressions;
+// Stessa risoluzione ricorsiva dell'albero componenti di Form1.RisolviAlberoComponenti
+// nella GUI, da riga di comando: usa direttamente PrepStep.AssemblyComponentScanner (via
+// "#:project", niente ProjectReference separato) invece di duplicare l'euristica di
+// estrazione/placement. Un'unica fonte di verità - niente rischio che script e GUI
+// divergano silenziosamente, come accaduto prima di questa riscrittura (vedi
+// docs/formato-asm.md).
 using Microsoft.Data.Sqlite;
+using PrepStep;
 
 if (args.Length < 1)
 {
@@ -23,20 +22,12 @@ string asmIniziale = args[0];
 string dbPath = args.Length > 1 ? args[1] : "cad_index.db";
 string outPath = args.Length > 2 ? args[2] : "BOM.txt";
 
-// Oltre il 90% dei codici in indice sono numerici Pro-E, ma una minoranza (parti
-// commerciali scaricate come STEP, es. "ANELLO_ESTERNO-1-SOLID1") ha nomi alfabetici
-// con trattini/underscore. Niente forma di codice ipotizzata a mano: si tokenizza in
-// modo generico (run di lettere/cifre/underscore/trattino) e si lascia al DB decidere
-// cos'è un codice vero - stesso principio già usato per il filtro, esteso anche
-// all'estrazione dei candidati. Cattura anche "UNI6592"/"CUSCI_ACBB7" dentro
-// "<UNI6592>" gratis: '<' e '>' non fanno parte del charset e delimitano il token.
-var codiceRegex = new Regex(@"[A-Za-z0-9_-]{3,}", RegexOptions.Compiled);
-
 using var connection = new SqliteConnection($"Data Source={dbPath};Mode=ReadOnly");
 connection.Open();
 
 // Tutti i codici prt/asm noti all'indice, caricati una volta sola: il lookup per ogni
-// candidato estratto dal binario diventa O(1) invece di una query per file.
+// candidato estratto dal binario diventa O(1) invece di una query per file, e serve anche
+// a EstraiCodiciReferenziati per validare i token generici delle parti commerciali.
 var codiciNoti = new Dictionary<string, List<(string Tipo, string Percorso)>>(StringComparer.OrdinalIgnoreCase);
 using (var command = connection.CreateCommand())
 {
@@ -54,51 +45,31 @@ using (var command = connection.CreateCommand())
 }
 Console.WriteLine($"Codici prt/asm noti nell'indice: {codiciNoti.Count}");
 
-// Stesso controllo di placement di ExtractCreoStrings.cs/AssemblyComponentScanner.cs:
-// la sola presenza del codice nel DB non basta, perché codici corti o generici
-// (es. "907", "NONE", "start_part") possono comparire per puro rumore binario. Un
-// componente vero è sempre referenziato in una di queste forme (vedi
-// docs/formato-asm.md): "Componente ID N (<codice>...)"/"Component id N (<codice>...)",
-// il codice ripetuto due volte separato da un byte NUL, il campo
-// "family_name\0<codice>\0", o il codice seguito da un bracket "<codice><GENERICO>".
-bool HaPlacement(string testo, string codice) =>
-    Regex.IsMatch(testo, $@"Component(?:e)? id \d+ \([^()]*{Regex.Escape(codice)}[^()]*\)", RegexOptions.IgnoreCase)
-    || testo.Contains(codice + "\0" + codice + "\0")
-    || testo.Contains("family_name\0" + codice + "\0")
-    || testo.Contains(codice + "<");
-
 var codiceProprio = Path.GetFileName(asmIniziale).Split('.')[0];
-// Stessa esclusione di ExtractCreoStrings.cs: un assieme "_D..." referenzia sempre al
-// suo interno anche l'assieme generale a cui appartiene (riferimento fantasma verso
-// l'alto), da escludere subito o si risale tutto l'albero del macchinario.
-var codiceRadice = codiceProprio.Split('_')[0];
+var codiceRadice = AssemblyComponentScanner.CodiceRadice(codiceProprio);
 
 var componentiTrovati = new SortedSet<string>(StringComparer.OrdinalIgnoreCase);
-var scartatiNonInIndice = new SortedSet<string>(StringComparer.OrdinalIgnoreCase);
-var scartatiSenzaPlacement = new SortedSet<string>(StringComparer.OrdinalIgnoreCase);
+var nonTrovati = new List<string>();
 var codiciVisti = new HashSet<string>(StringComparer.OrdinalIgnoreCase) { codiceProprio, codiceRadice };
 var daScansionare = new Queue<string>(new[] { asmIniziale });
 
 while (daScansionare.Count > 0)
 {
     var asm = daScansionare.Dequeue();
-    var testo = Encoding.Latin1.GetString(File.ReadAllBytes(asm));
-    var candidati = codiceRegex.Matches(testo).Select(m => m.Value).ToHashSet(StringComparer.OrdinalIgnoreCase);
-    foreach (var candidato in candidati)
+    foreach (var codice in AssemblyComponentScanner.EstraiCodiciReferenziati(asm, codiciNoti.Keys))
     {
-        if (!codiciVisti.Add(candidato))
+        // Solo i codici già confermati da EstraiCodiciReferenziati arrivano qui: nessun
+        // rischio del bug "primo fallimento blocca per sempre" (vedi docs/formato-asm.md),
+        // perché il placement è già stato verificato per questo file specifico al suo
+        // interno, da zero, indipendentemente da cosa è successo negli altri file.
+        if (!codiciVisti.Add(codice))
             continue;
-        if (!codiciNoti.TryGetValue(candidato, out var componenti))
+        if (!codiciNoti.TryGetValue(codice, out var componenti))
         {
-            scartatiNonInIndice.Add(candidato);
+            nonTrovati.Add(codice);
             continue;
         }
-        if (!HaPlacement(testo, candidato))
-        {
-            scartatiSenzaPlacement.Add(candidato);
-            continue;
-        }
-        componentiTrovati.Add(candidato);
+        componentiTrovati.Add(codice);
         foreach (var (tipo, percorso) in componenti)
             if (tipo == "asm")
                 daScansionare.Enqueue(percorso);
@@ -107,7 +78,6 @@ while (daScansionare.Count > 0)
 
 File.WriteAllLines(outPath, componentiTrovati);
 Console.WriteLine($"{componentiTrovati.Count} componenti scritti in {outPath}");
-Console.WriteLine($"Candidati nell'indice ma senza placement (scartati, {scartatiSenzaPlacement.Count}): {string.Join(", ", scartatiSenzaPlacement.Take(30))}"
-    + (scartatiSenzaPlacement.Count > 30 ? ", ..." : ""));
-Console.WriteLine($"Candidati non nell'indice (rumore binario): {scartatiNonInIndice.Count}");
+Console.WriteLine($"Candidati non nell'indice (scartati, {nonTrovati.Count}): {string.Join(", ", nonTrovati.Take(30))}"
+    + (nonTrovati.Count > 30 ? ", ..." : ""));
 return 0;

scripts/ExtractCreoStrings.cs

@@ -1,15 +1,15 @@
+#:project ../PrepStep/PrepStep.csproj
+#:property TargetFramework=net10.0-windows
 #:package Microsoft.Data.Sqlite@10.0.12
 // dotnet run scripts/ExtractCreoStrings.cs -- <file.asm> [cad_index.db] [output.txt]
 //
-// Estrae dal file .asm i codici dei componenti referenziati, espandendo ricorsivamente
-// ogni sotto-assieme (.asm) trovato nell'indice, finché non restano solo PRT (foglie) o
-// codici non presenti nell'indice. Stessa euristica di PrepStep/AssemblyComponentScanner.cs:
-// i codici veri compaiono più volte nel file, il rumore binario quasi sempre una sola volta;
-// gli ID interni "ModelView#<numero>" sono esclusi via lookbehind - vedi scripts/Analyze.cs.
-// Ogni codice trovato viene validato contro l'indice cad_index.db.
-using System.Text;
-using System.Text.RegularExpressions;
+// Come scripts/BomViaDb.cs, ma senza passare "codiciNoti" a EstraiCodiciReferenziati: si
+// riconoscono solo i codici numerici Pro-E (che si validano dalla forma, senza bisogno del
+// DB - vedi PrepStep/AssemblyComponentScanner.cs), non le parti commerciali con nome
+// alfabetico. Prova più semplice/mirata rispetto a BomViaDb.cs, utile quando serve solo
+// individuare/segnalare codici numerici mancanti dall'indice.
 using Microsoft.Data.Sqlite;
+using PrepStep;
 
 if (args.Length < 1)
 {
@@ -21,114 +21,29 @@ string asmIniziale = args[0];
 string dbPath = args.Length > 1 ? args[1] : "cad_index.db";
 string outPath = args.Length > 2 ? args[2] : "BOM.txt";
 
-// Seconda alternativa: componenti normalizzati definiti come family table in Creo (viti/
-// dadi/rosette UNI, ma anche cuscinetti CUSCI_...). Compaiono come "Componente ID N
-// (R12--_-_U6592<UNI6592>.PRT)": "R12--_-_U6592" è il nome della singola istanza (riga
-// della family table, non un file separato su disco), il file reale indicizzato è il
-// generico "uni6592.prt.<versione>"/"cusci_acbb7.prt.<versione>" - va quindi estratto solo
-// il contenuto tra "<" e ">".
-// Terza alternativa: varianti dimensionali con suffisso puramente numerico (es. cinghie
-// "2702220182_8188", dove "8188" è una misura, non una lettera di revisione/sotto-assieme
-// come "_C01"/"_D100") - la lettera dopo "_" è quindi opzionale, non obbligatoria. La
-// lettera di revisione e il suffisso "_" possono anche comparire insieme sullo stesso
-// codice (es. "9284200366A_C01", componente di un sotto-assieme già di per sé revisionato).
-var codiceRegex = new Regex(
-    @"(?<!ModelView#)\b\d{8,12}[A-Za-z]{0,2}(?:_[A-Za-z]?\d{2,4})?\b|(?<=<)(?:UNI\d+|CUSCI_[A-Za-z0-9]+)(?=>)",
-    RegexOptions.Compiled);
-const int occorrenzeMinime = 2;
-
-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;
-    var candidati = occorrenze.Where(kv => kv.Value >= occorrenzeMinime).Select(kv => kv.Key).ToHashSet();
-
-    // Ripetersi >=2 volte nel file non basta per un codice "nudo" (senza suffisso "_..."):
-    // riferimenti al proprio assieme padre (nome sessione/file) o a codici superati/
-    // rinominati (caso "fantasma", docs/formato-asm.md) ripetono comunque il codice più
-    // volte pur non essendo mai un componente vero. Per questi si richiede un vero
-    // placement, in una delle quattro forme osservate nel binario: "Componente ID N
-    // (<codice>...)"/"Component id N (<codice>...)" (la stringa cambia con la
-    // localizzazione Creo del file); il codice ripetuto due volte di seguito separato da
-    // un singolo byte NUL ("<codice>\0<codice>\0", osservato per componenti di family
-    // table non-UNI, es. cuscinetti "CUSCI_..."); il campo "family_name\0<codice>\0"
-    // (osservato una sola volta per file, su un sotto-assieme referenziato come family
-    // table generica invece che con un placement testuale esplicito); oppure il codice
-    // seguito immediatamente da un bracket "<codice><GENERICO>" - l'istanza di una family
-    // table non-UNI vista nel nome (es. "2510060303<CUSCI_ACBB7>", un cuscinetto): il
-    // codice dell'istanza non è mai indicizzato a sé (solo il generico tra "<" e ">" lo è,
-    // vedi sotto), ma questo segnale lo fa comunque sopravvivere fino alla ricerca nel DB
-    // invece di scomparire in silenzio come "nudo senza placement" - lì verrà comunque
-    // scartato come "non in indice", ma in modo tracciabile. Non si applica alle varianti
-    // con suffisso "_..." né alle istanze family table UNI: in alcuni file il placement
-    // riporta solo il nome istanza/generico senza il dettaglio del suffisso o del bracket
-    // "<...>", che vive altrove nei metadati - lì l'occorrenza ripetuta resta l'unico
-    // segnale disponibile.
-    bool HaPlacement(string codice) =>
-        Regex.IsMatch(testo, $@"Component(?:e)? id \d+ \([^()]*{Regex.Escape(codice)}[^()]*\)", RegexOptions.IgnoreCase)
-        || testo.Contains(codice + "\0" + codice + "\0")
-        || testo.Contains("family_name\0" + codice + "\0")
-        || testo.Contains(codice + "<");
-
-    candidati.RemoveWhere(c => Regex.IsMatch(c, @"^\d{8,12}[A-Za-z]{0,2}$") && !HaPlacement(c));
-    return candidati;
-}
-
 using var connection = new SqliteConnection($"Data Source={dbPath};Mode=ReadOnly");
 connection.Open();
 
-// "files_ultima_versione" è una VIEW con ROW_NUMBER() OVER (...), che SQLite non
-// materializza: ogni query la ricalcola sull'intera tabella "files" (~230ms anche per un
-// solo codice, su ~300k righe). Batchare tutti i codici trovati in un file in un'unica
-// query paga quel costo una volta per file invece che una volta per codice - decisivo
-// sugli assiemi con centinaia di sotto-componenti referenziati.
-Dictionary<string, List<(string Tipo, string Percorso)>> CercaComponenti(IReadOnlyCollection<string> codici)
+var codiciNoti = new Dictionary<string, List<(string Tipo, string Percorso)>>(StringComparer.OrdinalIgnoreCase);
+using (var command = connection.CreateCommand())
 {
-    var risultato = new Dictionary<string, List<(string, string)>>(StringComparer.OrdinalIgnoreCase);
-    foreach (var codice in codici)
-        risultato[codice] = new List<(string, string)>();
-    if (codici.Count == 0)
-        return risultato;
-
-    using var command = connection.CreateCommand();
-    var nomiParametri = codici.Select((_, i) => $"@c{i}").ToList();
-    // Lo stesso codice+tipo può esistere in più cartelle radice (duplicati/copie storiche
-    // sulla share, es. un generico family table ripetuto in 5 progetti scollegati): ordinato
-    // per data_modifica DESC, si tiene solo il più recente per codice+tipo (stessa regola di
-    // Form1.RisolviAlberoComponenti, vedi docs/formato-asm.md).
     command.CommandText = "SELECT codice, tipo_file, percorso_completo FROM files_ultima_versione "
-        + $"WHERE LOWER(codice) IN ({string.Join(",", nomiParametri)}) AND LOWER(tipo_file) IN ('prt', 'asm') "
-        + "ORDER BY codice, tipo_file, data_modifica DESC";
-    int i = 0;
-    foreach (var codice in codici)
-        command.Parameters.AddWithValue(nomiParametri[i++], codice.ToLowerInvariant());
-
-    var tipiVisti = new Dictionary<string, HashSet<string>>(StringComparer.OrdinalIgnoreCase);
+        + "WHERE LOWER(tipo_file) IN ('prt', 'asm') ORDER BY codice, tipo_file, data_modifica DESC";
     using var reader = command.ExecuteReader();
     while (reader.Read())
     {
-        string codiceDb = reader.GetString(0);
+        string codice = reader.GetString(0);
         string tipo = reader.GetString(1).ToLowerInvariant();
-        var visti = tipiVisti.TryGetValue(codiceDb, out var v) ? v : tipiVisti[codiceDb] = new HashSet<string>();
-        if (visti.Add(tipo))
-            risultato[codiceDb].Add((tipo, reader.GetString(2)));
+        var lista = codiciNoti.TryGetValue(codice, out var l) ? l : codiciNoti[codice] = new();
+        if (!lista.Any(x => x.Tipo == tipo))
+            lista.Add((tipo, reader.GetString(2)));
     }
-    return risultato;
 }
+Console.WriteLine($"Codici prt/asm noti nell'indice: {codiciNoti.Count}");
 
-// Espansione ricorsiva: ogni sotto-assieme (.asm) trovato viene a sua volta letto e i suoi
-// componenti aggiunti alla coda, finché non restano solo PRT (foglie) o codici non presenti
-// nell'indice - stessa logica di Form1.RisolviAlberoComponenti.
 var codiceProprio = Path.GetFileName(asmIniziale).Split('.')[0];
-// Un assieme con suffisso "_D..." referenzia sempre al suo interno anche l'assieme
-// generale (codice nudo, senza suffisso) a cui appartiene - riferimento fantasma verso
-// l'alto, non un componente vero (vedi docs/formato-asm.md). Va escluso subito: se
-// seguito, riporta dentro l'intero albero del macchinario invece del solo sotto-assieme
-// richiesto (visto su 9284208188_D600 -> 9284208188, che da solo genera 598 falsi
-// positivi invece di ~90 componenti reali).
-var codiceRadice = codiceProprio.Split('_')[0];
+var codiceRadice = AssemblyComponentScanner.CodiceRadice(codiceProprio);
+
 var componentiTrovati = new SortedSet<string>(StringComparer.OrdinalIgnoreCase);
 var nonTrovati = new List<string>();
 var codiciVisti = new HashSet<string>(StringComparer.OrdinalIgnoreCase) { codiceProprio, codiceRadice };
@@ -137,14 +52,11 @@ var daScansionare = new Queue<string>(new[] { asmIniziale });
 while (daScansionare.Count > 0)
 {
     var asm = daScansionare.Dequeue();
-    var candidati = EstraiCodiciReferenziati(asm)
-        .Where(codiciVisti.Add)
-        .ToList();
-    var trovatiPerCodice = CercaComponenti(candidati);
-    foreach (var codice in candidati)
+    foreach (var codice in AssemblyComponentScanner.EstraiCodiciReferenziati(asm))
     {
-        var componenti = trovatiPerCodice[codice];
-        if (componenti.Count == 0)
+        if (!codiciVisti.Add(codice))
+            continue;
+        if (!codiciNoti.TryGetValue(codice, out var componenti))
         {
             nonTrovati.Add(codice);
             continue;