JiriUhlirandClaude Opus 5
156289fe2d
Sluzba prijme adresu HTML dokumentu nebo HTML v tele requestu a vrati PDF. Navrzena pro dokumenty o stovkach az tisicich stranek. Rendering: - WeasyPrint jako vychozi engine, spravne CSS Paged Media, nizka pametova narocnost, bez JavaScriptu - Chromium pres Playwright pro dokumenty dokreslovane skripty - rezim auto s detekci skriptu a fallbackem pri selhani WeasyPrintu Velke dokumenty: - deleni na casti na strukturalnich hranicich, rez nikdy uvnitr tabulky nebo odstavce - dvoupruchodovy render obsahu se skutecnymi cisly stranek, pozice nadpisu se ctou z kotev hlasenych u kazde stranky - cislovani stranek bud pres CSS countery, nebo pres cislovaci vrstvu nastampovanou na hotove PDF, rozmer stranky se cte z vysledneho souboru - Chromium se restartuje po N jobech, nikdy vsak behem beziciho renderu API: - POST /convert synchronne, POST /jobs asynchronne se sledovanim stavu, stahovanim vysledku, rusenim a volitelnym callbackem - GET /health s overenim dostupnosti obou enginu a stavem fronty - OpenAPI respektuje prefix reverse proxy pres root_path Bezpecnost a provoz: - SSRF kontrola po DNS resolvu, na kazdem presmerovani a u vsech pozadavku prohlizece - nedostupne assety render nezastavi, ale hlasi se v odpovedi i v logu - fronta s omezenym poctem workeru, rozpracovane joby se pri ukonceni oznaci jako failed, nezmizi potichu - strukturovane JSON logovani s job_id - vsechny limity vypnute ve vychozim stavu Dockerfile je dvoufazovy, obsahuje zavislosti WeasyPrintu, Chromium a fonty s ceskou diakritikou. Autentizace zamerne neni implementovana, zpusob predavani neni domluveny. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
101 lines
3.2 KiB
Markdown
101 lines
3.2 KiB
Markdown
# Provoz
|
|
|
|
## Docker image
|
|
|
|
Image je dvoufazovy. Prvni faze stavi zavislosti, do vysledneho image se
|
|
prekladace nedostanou.
|
|
|
|
Runtime obsahuje:
|
|
|
|
- systemove knihovny WeasyPrintu: cairo, pango, gdk-pixbuf, harfbuzz
|
|
- Chromium nainstalovany pres `playwright install --with-deps chromium`
|
|
- fonty DejaVu, Liberation a Noto vcetne ceske diakritiky
|
|
- `qpdf` jako zaloha pro praci s PDF
|
|
- `curl` pro healthcheck
|
|
|
|
Image je velky, radove jednotky GB. To je u sluzby, ktera v sobe ma cely
|
|
prohlizec a dve renderovaci knihovny, ocekavane.
|
|
|
|
## Port
|
|
|
|
Sluzba posloucha na `0.0.0.0:8000`, coz odpovida `app.yml`. Port se nemeni bez
|
|
odpovidajici upravy metadat aplikace v AppFactory.
|
|
|
|
## Healthcheck
|
|
|
|
Dockerfile ma `HEALTHCHECK`, ktery vola `/health` na `127.0.0.1:8000`.
|
|
Endpoint pri kazdem volani overuje dostupnost enginu vcetne skutecneho
|
|
nastartovani Chromia.
|
|
|
|
## Sdilena pamet pro Chromium
|
|
|
|
Chromium se spousti s `--disable-dev-shm-usage`, takze si vystaci s malym
|
|
`/dev/shm`. Pokud by se v logu objevovaly pady rendereru, je potreba containeru
|
|
zvysit `--shm-size`.
|
|
|
|
## Overeni po nasazeni
|
|
|
|
```bash
|
|
curl -i https://services.csbot.cz/apps/html-to-pdf/health
|
|
curl -i https://services.csbot.cz/apps/html-to-pdf/docs
|
|
```
|
|
|
|
Ve Swagger UI overit, ze Try it out vola adresy s prefixem
|
|
`/apps/html-to-pdf`, ne bez nej.
|
|
|
|
Pozor na znamou vlastnost AppFactory: Caddy propousti GET pozadavky jen
|
|
z omezeneho seznamu IP adres. Try it out ve Swaggeru proto muze z bezneho
|
|
prohlizece vracet 403 jako `text/plain`, i kdyz je sluzba v poradku. Overovat
|
|
curlem primo ze serveru.
|
|
|
|
## Logy
|
|
|
|
Kazdy zaznam je jeden radek JSON. Vsechno, co patri k jednomu jobu, nese
|
|
`job_id`.
|
|
|
|
Co stoji za sledovani:
|
|
|
|
- `Asset could not be loaded` v PDF neco chybi
|
|
- `WeasyPrint render failed, falling back to Chromium` dokument neprosel
|
|
primarnim enginem
|
|
- `Restarting Chromium to release memory` bezna udrzba, ne chyba
|
|
- `Callback could not be delivered` job dobehl, ale klient se to nedozvedel
|
|
- `Job failed` konverze selhala, kod chyby je v poli `error_code`
|
|
|
|
Secrets se do logu nezapisuji.
|
|
|
|
## Znama omezeni
|
|
|
|
- Fronta je v pameti procesu. Restart znamena ztratu rozpracovanych jobu, ty se
|
|
oznaci jako failed s kodem `service_restarted`.
|
|
- Obsah s cisly stranek umi jen WeasyPrint. Chromium neumi rict, na ktere
|
|
strance nadpis skoncil.
|
|
- U cleneneho dokumentu nejsou odkazy v obsahu klikatelne, protoze cil lezi
|
|
v jine casti souboru. Cisla stranek jsou spravna a sluzba na to upozorni ve
|
|
`warnings`.
|
|
- Slucovani pres pypdf drzi stranky vysledku v pameti. Je to nejnarocnejsi krok
|
|
konverze.
|
|
- WeasyPrint nespousti JavaScript. Pro dokumenty dokreslovane skripty je nutne
|
|
Chromium.
|
|
|
|
## Testy
|
|
|
|
Testy se spousti jen na vyslovne pozadani, nikdy automaticky.
|
|
|
|
```bash
|
|
pip install -r requirements-dev.txt
|
|
pytest # bez pomalych testu spusti vse ostatni
|
|
pytest -m slow # jen mereni nad dokumentem o zhruba 1200 strankach
|
|
```
|
|
|
|
Testy, ktere potrebuji WeasyPrint, se same preskoci, pokud neni nainstalovany.
|
|
|
|
Co je pokryte:
|
|
|
|
- SSRF vcetne domeny mirici na 127.0.0.1
|
|
- deleni dokumentu, ktery se delit da, i toho, ktery se delit neda
|
|
- spravnost cisel stranek po slouceni
|
|
- obsah ukazuje na skutecne stranky
|
|
- nedostupny asset render nezastavi a objevi se v odpovedi
|
|
- zruseni beziciho jobu, plna fronta, chovani pri ukonceni sluzby
|