feat(upload): accept legacy .doc, convert via LibreOffice in container #53

chaim · 2026-06-03T13:48:16Z

chaim commented

2026-06-03 13:48:16 +00:00

רקע

קבצי .doc ישנים (פסיקה מ-nevo.co.il בקידוד CP1255 / OLE2) שמסומנים כפסיקה חסרה בקורפוס לא ניתנים להעלאה ישירה — ה-frontend כבר הציע .doc ב-accept, אבל ה-gate בבקאנד דחה אותם לפני שהגיעו ל-extractor.

שינויים

קובץ	שינוי
`web/app.py`	`.doc` נוסף ל-`ALLOWED_EXTENSIONS` — פותח את כל הנתיבים שחולקים את ה-set: ספריית פסיקה, missing-precedent, training
`Dockerfile`	התקנת `libreoffice-writer-nogui` (בלי X11/Java) כדי שההמרה הקיימת ב-`_extract_doc` תעבוד בקונטיינר Coolify (היתה חסרה → כשל ב-runtime)
`extractor.py`	הקשחה: פרופיל LibreOffice ייעודי לכל המרה, למניעת profile-lock בהמרות `.doc` מקבילות

אימות

ההמרה אומתה בתוך python:3.12-slim (image הבסיס של הפרודקשן): התקנה + .doc→.docx→text.
הטקסט המחולץ byte-identical לשמירת .docx מקורית מ-Word: 103 פסקאות, 24,341 תווים.
הזרימה: העלאה דרך UH (missing-precedent) → staging .doc → ingest_precedent/ingest_internal_decision → extract_text ממיר אוטומטית → חילוץ הלכות ברקע + ניתוח.

🤖 Generated with Claude Code

## רקע קבצי `.doc` ישנים (פסיקה מ-nevo.co.il בקידוד CP1255 / OLE2) שמסומנים כ**פסיקה חסרה בקורפוס** לא ניתנים להעלאה ישירה — ה-frontend כבר הציע `.doc` ב-accept, אבל ה-gate בבקאנד דחה אותם לפני שהגיעו ל-extractor. ## שינויים | קובץ | שינוי | |------|-------| | `web/app.py` | `.doc` נוסף ל-`ALLOWED_EXTENSIONS` — פותח את כל הנתיבים שחולקים את ה-set: ספריית פסיקה, missing-precedent, training | | `Dockerfile` | התקנת `libreoffice-writer-nogui` (בלי X11/Java) כדי שההמרה הקיימת ב-`_extract_doc` תעבוד בקונטיינר Coolify (היתה חסרה → כשל ב-runtime) | | `extractor.py` | הקשחה: פרופיל LibreOffice ייעודי לכל המרה, למניעת profile-lock בהמרות `.doc` מקבילות | ## אימות - ההמרה אומתה בתוך `python:3.12-slim` (image הבסיס של הפרודקשן): התקנה + `.doc→.docx→text`. - הטקסט המחולץ **byte-identical** לשמירת `.docx` מקורית מ-Word: 103 פסקאות, 24,341 תווים. - הזרימה: העלאה דרך UH (missing-precedent) → staging `.doc` → `ingest_precedent`/`ingest_internal_decision` → `extract_text` ממיר אוטומטית → חילוץ הלכות ברקע + ניתוח. 🤖 Generated with [Claude Code](https://claude.com/claude-code)

chaim added 1 commit 2026-06-03 13:48:16 +00:00

feat(upload): accept legacy .doc, convert via LibreOffice in container 476c2fc5d1

Legacy Hebrew .doc precedents (e.g. nevo.co.il CP1255 OLE2) can now be
uploaded directly through the precedent-library, missing-precedent, and
training upload paths — the frontend already advertised .doc but the
backend gate rejected it before reaching the extractor.

- web/app.py: add .doc to ALLOWED_EXTENSIONS (covers all paths that share
  the set: precedent library, missing-precedent, training).
- Dockerfile: install libreoffice-writer-nogui (no X11/Java) so the
  extractor's existing _extract_doc LibreOffice conversion works in the
  Coolify container (was missing → would fail at runtime).
- extractor.py: isolate the LibreOffice user profile per call to avoid a
  profile-lock failure on concurrent .doc conversions.

Verified in python:3.12-slim (prod base): .doc→.docx→text yields text
byte-identical to a native Word .docx save (103 paragraphs, 24,341 chars).

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

chaim merged commit e25507f9ad into main

2026-06-03 13:48:26 +00:00

chaim deleted branch feat/doc-upload-support

2026-06-03 13:48:26 +00:00

chaim referenced this issue from a commit

2026-06-03 13:48:26 +00:00

Merge pull request 'feat(upload): accept legacy .doc, convert via LibreOffice in container' (#53) from feat/doc-upload-support into main

Sign in to join this conversation.

1 Participants

Notifications

Due Date

No due date set.

Dependencies

No dependencies set.

Reference: ezer-mishpati/legal-ai#53