feat(app): first-boot eager backfill for tokenized_korean_text
V007 → V009 업그레이드 시 기존 chunks 의 tokenized_korean_text 가 NULL — 첫 App::open_with_config 호출 시 자동으로 lindera ko-dic 으로 분해 후 UPDATE. chunks_au trigger 가 chunks_fts 를 자동 재-index. 사용자 재-ingest 불필요. - crates/kebab-store-sqlite/src/store.rs: backfill_tokenized_korean_text(progress_cb, tokenize) API. 1000 row 마다 commit + progress 콜백. idempotent (IS NULL 필터로 partial completion 재실행 안전). tokenizer 를 파라미터로 받아 §8 dep 경계 유지. - crates/kebab-app/src/app.rs::open_with_config: run_migrations 직후 backfill 호출. 실패 시 warn log 만 (App open 은 성공 — vector/hybrid mode 계속 가능). 500 row 마다 info log progress. - crates/kebab-store-sqlite/tests/fts.rs: backfill_tokenized_korean_text_populates_nullable_rows 단위 test (idempotency 포함). - clippy pre-existing 오류 수정 (redundant_closure, map_unwrap_or, cast_lossless, uninlined_format_args — kebab-app/ingest_log.rs, pdf_ocr_apply.rs, app.rs, tests/ocr_inspect_smoke.rs). Spec: docs/superpowers/specs/2026-05-28-v0.20.x-korean-morphological-tokenizer-spec.md §8.1, §8.2 Plan: docs/superpowers/plans/2026-05-28-v0.20.x-korean-morphological-tokenizer-plan.md (S4) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
This commit is contained in:
@@ -492,6 +492,64 @@ impl SqliteStore {
|
||||
Ok(out)
|
||||
}
|
||||
|
||||
/// V007 → V009 업그레이드 시 기존 chunks 의 `tokenized_korean_text` 가 NULL — 이
|
||||
/// 메서드가 NULL 인 row 를 batch 로 읽어 `tokenize` 콜백으로 형태소 분해 후 UPDATE.
|
||||
/// chunks_au trigger 가 chunks_fts 를 자동 재-index.
|
||||
///
|
||||
/// - `tokenize`: `kebab_chunk::tokenize_korean_morphological` 등 `&str → Option<String>`.
|
||||
/// `None` 반환 시 row 를 skip (UPDATE 없음).
|
||||
/// - `progress`: `(done, total)` 콜백. 1000 row 마다 발화.
|
||||
/// - 반환값: lindera Some 으로 UPDATE 된 row 수 (idempotent — 이미 채워진 row 는 0).
|
||||
/// - 실패 시 App open 을 block 하지 않도록 호출자가 `unwrap_or_else` 로 감쌀 것.
|
||||
pub fn backfill_tokenized_korean_text<F, T>(&self, progress: F, tokenize: T) -> Result<u64>
|
||||
where
|
||||
F: Fn(u64, u64),
|
||||
T: Fn(&str) -> Option<String>,
|
||||
{
|
||||
// 1. NULL 후보 수집.
|
||||
let rows: Vec<(String, String)> = {
|
||||
let conn = self.lock_conn();
|
||||
let mut stmt = conn
|
||||
.prepare(
|
||||
"SELECT chunk_id, text FROM chunks \
|
||||
WHERE tokenized_korean_text IS NULL \
|
||||
ORDER BY chunk_id",
|
||||
)
|
||||
.map_err(StoreError::from)?;
|
||||
let iter = stmt
|
||||
.query_map([], |row| Ok((row.get::<_, String>(0)?, row.get::<_, String>(1)?)))
|
||||
.map_err(StoreError::from)?;
|
||||
let mut out = Vec::new();
|
||||
for r in iter {
|
||||
out.push(r.map_err(StoreError::from)?);
|
||||
}
|
||||
out
|
||||
};
|
||||
|
||||
let total = rows.len() as u64;
|
||||
let mut updated: u64 = 0;
|
||||
|
||||
// 2. 1000 row 마다 transaction 으로 batch UPDATE.
|
||||
for chunk in rows.chunks(1000) {
|
||||
let conn = self.lock_conn();
|
||||
let tx = conn.unchecked_transaction().map_err(StoreError::from)?;
|
||||
for (chunk_id, text) in chunk {
|
||||
if let Some(tokenized) = tokenize(text) {
|
||||
tx.execute(
|
||||
"UPDATE chunks SET tokenized_korean_text = ?1 WHERE chunk_id = ?2",
|
||||
params![tokenized, chunk_id],
|
||||
)
|
||||
.map_err(StoreError::from)?;
|
||||
updated += 1;
|
||||
}
|
||||
}
|
||||
tx.commit().map_err(StoreError::from)?;
|
||||
progress(updated, total);
|
||||
}
|
||||
|
||||
Ok(updated)
|
||||
}
|
||||
|
||||
/// v0.17.0 PR-B: sweep the SQLite document chain (`documents` →
|
||||
/// `blocks` / `chunks` / `embedding_records` via CASCADE) for every
|
||||
/// row at `workspace_path` whose `doc_id` differs from `keep_doc_id`.
|
||||
|
||||
@@ -13,6 +13,7 @@
|
||||
//! that bypasses the `SqliteStore` mutex; that's fine because each test
|
||||
//! gets its own tempdir and no concurrent mutator is in flight.
|
||||
|
||||
use kebab_chunk::tokenize_korean_morphological;
|
||||
use kebab_store_sqlite::{SqliteStore, rebuild_chunks_fts};
|
||||
use rusqlite::Connection;
|
||||
|
||||
@@ -453,6 +454,53 @@ fn v009_bumps_corpus_revision() {
|
||||
);
|
||||
}
|
||||
|
||||
// ── 5c. backfill_tokenized_korean_text ───────────────────────────────
|
||||
|
||||
#[test]
|
||||
fn backfill_tokenized_korean_text_populates_nullable_rows() {
|
||||
let env = common::TestEnv::new();
|
||||
let store = SqliteStore::open(&env.config()).unwrap();
|
||||
store.run_migrations().unwrap();
|
||||
|
||||
// chunks 에 한국어 row 두 개 INSERT (tokenized_korean_text 는 chunks_ai trigger
|
||||
// 가 채우지만, 여기서는 raw_conn_no_fk 로 직접 INSERT 하므로 NULL 로 남음).
|
||||
let conn = raw_conn_no_fk(&env);
|
||||
insert_chunk(&conn, &"a".repeat(32), &"d".repeat(32), "[]", "한국 문화는 오래되었다");
|
||||
insert_chunk(&conn, &"b".repeat(32), &"d".repeat(32), "[]", "서울특별시는 한국의 수도");
|
||||
let null_count_before: i64 = conn
|
||||
.query_row(
|
||||
"SELECT COUNT(*) FROM chunks WHERE tokenized_korean_text IS NULL",
|
||||
[],
|
||||
|r| r.get(0),
|
||||
)
|
||||
.unwrap();
|
||||
assert_eq!(null_count_before, 2);
|
||||
drop(conn);
|
||||
|
||||
// backfill 호출 → lindera 가 두 row 모두 분해 성공 → 2 반환.
|
||||
let processed = store
|
||||
.backfill_tokenized_korean_text(|_, _| {}, tokenize_korean_morphological)
|
||||
.unwrap();
|
||||
assert_eq!(processed, 2, "both rows should be populated by lindera");
|
||||
|
||||
let conn = raw_conn_no_fk(&env);
|
||||
let null_count_after: i64 = conn
|
||||
.query_row(
|
||||
"SELECT COUNT(*) FROM chunks WHERE tokenized_korean_text IS NULL",
|
||||
[],
|
||||
|r| r.get(0),
|
||||
)
|
||||
.unwrap();
|
||||
assert_eq!(null_count_after, 0);
|
||||
|
||||
// idempotency: 두 번째 호출 → 0 (모든 row 가 이미 채워져 있음).
|
||||
drop(conn);
|
||||
let processed_again = store
|
||||
.backfill_tokenized_korean_text(|_, _| {}, tokenize_korean_morphological)
|
||||
.unwrap();
|
||||
assert_eq!(processed_again, 0);
|
||||
}
|
||||
|
||||
// ── 6. WAL cleanup: drop store before tempdir reaps WAL/SHM ──────────
|
||||
|
||||
/// Mirror the P1-6 pattern: opening + migrating + dropping the store
|
||||
|
||||
Reference in New Issue
Block a user