prep-step/scripts/ExtractCreoStrings.cs

#: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 CadSearchGui/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;
using Microsoft.Data.Sqlite;

if (args.Length < 1)
{
    Console.WriteLine("Uso: dotnet run ExtractCreoStrings.cs -- <file.asm> [cad_index.db] [output.txt]");
    return 1;
}

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 due forme osservate nel binario: "Componente ID N
    // (<codice>...)"/"Component id N (<codice>...)" (la stringa cambia con la
    // localizzazione Creo del file), oppure 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_..."). 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");

    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 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();
    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')";
    int i = 0;
    foreach (var codice in codici)
        command.Parameters.AddWithValue(nomiParametri[i++], codice.ToLowerInvariant());

    var tipiVisti = new Dictionary<string, HashSet<string>>(StringComparer.OrdinalIgnoreCase);
    using var reader = command.ExecuteReader();
    while (reader.Read())
    {
        string codiceDb = 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)));
    }
    return risultato;
}

// 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 componentiTrovati = 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 candidati = EstraiCodiciReferenziati(asm)
        .Where(codiciVisti.Add)
        .ToList();
    var trovatiPerCodice = CercaComponenti(candidati);
    foreach (var codice in candidati)
    {
        var componenti = trovatiPerCodice[codice];
        if (componenti.Count == 0)
        {
            nonTrovati.Add(codice);
            continue;
        }
        componentiTrovati.Add(codice);
        foreach (var (tipo, percorso) in componenti)
            if (tipo == "asm")
                daScansionare.Enqueue(percorso);
    }
}

File.WriteAllLines(outPath, componentiTrovati);
Console.WriteLine($"{componentiTrovati.Count} componenti scritti in {outPath}");
if (nonTrovati.Count > 0)
    Console.WriteLine($"Codici trovati nel file ma non nell'indice (scartati): {string.Join(", ", nonTrovati)}");
return 0;