Corrige o fluxo Carregar DOCX → get_labels → XML SPS marcado

[gitnnolabs]

O que esse PR faz?

Corrige o fluxo Marcação editorial → Carregar DOCX → get_labels → XML SPS marcado, que quebrava ou concluía sem artefactos utilizáveis.

Extração DOCX (markuplib/function_docx.py)

• Restaura o bloco if not obj_image: perdido num merge (is_numPr, paragraph, listas).
• Escapa & e < no texto das células de tabela (html.escape); renomeia variável local html → table_html para não sombrear o módulo html.

Marcação e XML (markup_doc/labeling_utils.py, xml.py)

• escape_angle_brackets_outside_tags — parágrafos com p < 0.05 deixam de quebrar append_fragment.
• sanitize_table_html_fragment / parse_xml_fragment — tabelas com & ou < nas células.
• sanitize_inline_xml_fragment — listas com caracteres especiais.
• normalize_aff_ids — affid vindo do Gemini como lista gera vários <xref ref-type="aff">.
• iter_front_blocks — get_xml usa o front recém-gerado (stream_data), não só o StreamField já persistido.
• Fallback de article-meta quando não há bloco translate-front; proteção em keywords (vals2).

Task Celery (markup_doc/tasks.py, wagtail_hooks.py)

• get_labels(article_id, user_id) — localiza o registo por pk (evita falha com título em branco ou duplicado).
• persist_article_xml — grava text_xml, file_xml e estado Processed.
• apply_document_title_from_article_title — preenche Document Title a partir do bloco <article-title> quando o upload vem sem título.
• Logs INFO: início da task, LLM ativo, first_block/referências Gemini, bytes de XML gravados.

LLM (model_ai/llama.py)

• Logs ao chamar Gemini

Testes (markup_doc/tests.py)

• 27 testes: escape XML, tabelas, listas, affid, título, iter_front_blocks, get_xml, persist_article_xml.

Onde a revisão poderia começar?

1. markup_doc/tasks.py — get_labels, persist_article_xml, final do pipeline.
2. markuplib/function_docx.py — extractContent / extrae_Tabla (~linhas 220–330 e bloco if not obj_image).
3. markup_doc/labeling_utils.py — append_fragment, sanitize_*, apply_document_title_from_article_title.
4. markup_doc/xml.py — iter_front_blocks, bloco contrib/aff, parse de tabelas.

Como este poderia ser testado manualmente?

1. docker compose -f local.yml up -d django celeryworker
2. Wagtail → Model AI → preencher API KEY Gemini (fluxo local recomendado).
3. Marcação editorial → Carregar DOCX — enviar um .docx de teste sem preencher Document Title (ex.: fixtures/review-article/fixture_review_article_en.docx).
4. Aguardar estado Processed na lista de uploads.
5. Marcação editorial → XML SPS marcado — abrir o mesmo registo:
   • Aba XML: text_xml preenchido; link Download XML.
   • Aba Front: bloco <article-title> presente.
   • Document Title na lista deve refletir o título do artigo (não “blank”).
6. Botões na edição do XML marcado: Preview HTML, Pretty XML, Download ZIP.
7. Logs: docker logs markapi_local_celeryworker --tail 80 — procurar get_labels iniciado, LLM: GEMINI, Chamando Gemini, XML gravado.
8. Testes automáticos: docker compose -f local.yml run --rm django pytest markup_doc/tests.py -v (27 testes)

Algum cenário de contexto que queira dar?

• O upload em Carregar DOCX só mostra título/ficheiro/estado; o XML e a marcação editável ficam em XML SPS marcado (mesmo registo na base, proxies diferentes).
• PDF não é gerado automaticamente por get_labels neste PR; o ZIP inclui PDF apenas se existirem renditions configuradas noutro fluxo (generate_zip com renditions=[] por defeito).
• Registos antigos com título “(blank)” e sem XML precisam de reprocessar (novo upload ou guardar em XML SPS marcado para disparar update_xml).
• Desenvolvimento local usa Dockerfile sem llama-cpp-python; Gemini é o backend LLM esperado.

Screenshots

N/A

Quais são tickets relevantes?

N/A