microservice-importer/TEKNISK_BESKRIVNING.md

Teknisk beskrivning av Microservice Importer

Dokumentstatus (2026-05-12)

Detta dokument riktar sig till utvecklare och driftansvariga för microservice-importer. Det beskriver arkitektur, drift och tekniska beslut för den interna importtjänsten.

Roll och ansvar

importer-api är en stateless intern tjänst för recipe-app. Den hanterar URL-skrapning, OCR, PDF-parsning, markdown-parsning och AI-kvittoparsning utan databas eller användarsessioner.

Arkitektur

Körmiljö

• NestJS 11
• TypeScript 5
• Node.js 22-alpine
• Port 3001 internt
• Exponeras bara på recipe-internal-nätverket

Moduler

src/
├── app.module.ts                               # Root module + HealthController (GET /api/health)
├── main.ts
├── common/
│   ├── filters/global-exception.filter.ts
│   └── utils/normalize-name.ts
├── web-scraping-service/
│   ├── web-scraping.module.ts
│   ├── controllers/quick-import.controller.ts  # POST /api/quick-import
│   ├── services/quick-import.service.ts        # Scraping, OCR, PDF
│   └── parsers/
│       ├── base.parser.ts                      # ParsedRecipe interface
│       ├── ica.parser.ts                       # ICA.se JSON-LD + imageUrl
│       └── generic.parser.ts
├── receipt-parsing/
│   ├── receipt-parsing.module.ts
│   ├── receipt-parsing.controller.ts           # POST /api/receipt-import/parse
│   └── receipt-parsing.service.ts
├── document-service/
│   ├── document-service.module.ts
│   ├── controllers/document-import.controller.ts
│   ├── services/document-import.service.ts
│   └── parsers/
│       ├── document.parser.ts
│       └── pdf.parser.ts
└── recipes/
    ├── recipes.module.ts
    ├── recipes.controller.ts                   # POST /api/recipes/parse-markdown
    ├── recipes.service.ts
    └── dto/parse-markdown.dto.ts

Endpoints

Endpoint	Funktion
POST /api/quick-import	URL-skrapning, bild-OCR och PDF-import
POST /api/recipes/parse-markdown	Markdown till strukturerat recept utan databas
POST /api/receipt-import/parse	Kvittobild/PDF till ParsedReceiptItem[] via Mistral AI
GET /api/health	Hälsokontroll för Docker healthcheck

Kvittoparsning

Modell och pipeline

• Vision-input använder mistral-small-2603
• PDF-flödet kör pdf-parse eller pdfjs-dist/legacy/build/pdf.js som fallback
• Regelbaserad parsning körs före AI när det är möjligt
• looksLikeReceiptProductLine() filtrerar bort rader utan siffra så att AI bara används för sannolika produktrader

Mängd- och enhetsregler

Följande regler är inbyggda i kvitto-prompten:

Typ	Regel	Exempel
Lösvikt	quantity = faktisk vikt, unit = kg/g	BLANDFÄRS 20% 0.997 kg
Förpackad vara med storlek i namn	quantity = antal förpackningar, unit = förp	MJÖLK 1,5L × 3
Multipack	quantity=1, unit=förp	BACON 3X120G
Förpackat innehåll	quantity = antal förpackningar, unit = förp	BRIOCHE SESAM × 2
Lösa styckvaror	quantity = antal, unit = st	BANAN × 1

Tillåtna enheter: st, kg, g, l, dl, cl, ml, förp, pak, burk, flaska.

Retry och stabilitet

• Mistral 429/503 backas av med 3000 * attempt ms
• PDF-flödet använder fallback för CJS- och Node Alpine-kompatibilitet
• GlobalExceptionFilter ger konsekventa felobjekt

Deployment

importer-api byggs och startas via recipe-app/compose.yml och inte via egen compose-fil.

Serverlayout

/opt/containers/
  microservice-importer/
  recipe-app/
    compose.yml
    deploy.sh

Driftsekvens

cd /opt/containers/microservice-importer && git pull
cd /opt/containers/recipe-app && git pull && ./deploy.sh

Hälsokontroll

docker exec importer-api wget -qO- http://localhost:3001/api/health

Tekniska detaljer

Byggberoenden

• pdf-parse
• tesseract.js
• @mistralai/mistralai
• multer 2.1.1

Versionsnotering

• NestJS-paket är uppgraderade till 11-serien för att ta bort sårbarheter i beroendekedjan.
• Nest CLI 11 kräver Node.js 20.11+ i CI- och byggmiljöer.

Alpine-paket

• tesseract-ocr
• tesseract-ocr-data-swe
• tesseract-ocr-data-eng

Viktiga tekniska beslut

• Tjänsten är stateless och saknar databaskonfiguration
• Importer exponeras aldrig externt, bara internt via Docker-nätverket
• Host-port 3001 är upptagen av wetty och får därför inte användas av tjänsten

Parser-arkitektur

Dokument-parsers

Abstrakt bas DocumentParser används för dokumenttypsspecifik parsing.

PDF Parser

pdf.parser.ts hanterar textbaserade PDFs. Skannade PDFs varnas och kan falla tillbaka på OCR-vägen.

Webb-parsers

• ica.parser.ts prioriterar JSON-LD och extraherar imageUrl
• generic.parser.ts är fallback för webbplatser utan specialparser

Framtida utbyggnader

• Fler webbplats-parsers som Arla, Tasteline och Köket.se
• Word/import av .docx
• Swagger/OpenAPI-dokumentation
• Caching av skrapade sidor om belastningen mot externa webbplatser blir ett problem

Quality-gates (npm scripts + CI)

Tillagda scripts i backend/package.json:

Script	Kommando
typecheck	tsc --noEmit
audit:high	npm audit --audit-level=high
quality:ci	Kedja: typecheck → build → audit

CI-workflow (.github/workflows/test.yml) uppdaterad (2026-05-12):

• Bytte npm install till npm ci för reproducerbara byggen.
• Ersatte Prisma- och test-steg (saknas i projektet) med: typecheck → build → audit:high.
• Tog bort continue-on-error på build-steget — pipeline fångar nu verkliga fel.
• npm audit --audit-level=high rapporterar 0 sårbarheter.

Referenser

• README.md
• NEXT_STEPS.md