Dom/rpa_vision_v3
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

feat: import Excel → SQLite + boucle données → UI dans le VWB

Browse Source 
- ExcelImporter : import .xlsx → SQLite auto (détection types, batch insert)
- DBIterator : lecture ligne par ligne avec filtre/tri/limite
- VWB actions : "Importer Excel" + "Pour chaque ligne" dans la palette
- DAG executor : pré-exécution import, boucle foreach avec injection
  ${current_row.colonne} dans les étapes dépendantes
- 36 tests unitaires Excel/DB (tous passent)

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
This commit is contained in:
Dom
2026-03-16 23:10:51 +01:00
parent 5e3865d328
commit 9da804bb6e
9 changed files with 1832 additions and 4 deletions
Download Patch File Download Diff File Expand all files Collapse all files

394
visual_workflow_builder/backend/api_v3/dag_execute.py
View File

@@ -12,6 +12,7 @@ Auteur : Dom, Claude — 16 mars 2026
import json
import logging
import re
import sys
import traceback
from pathlib import Path
@@ -37,6 +38,15 @@ from core.execution.dag_executor import (
)
from core.execution.llm_actions import LLMActionHandler
# Data loop — import Excel et itération sur tables
try:
from core.data.excel_importer import ExcelImporter
from core.data.db_iterator import DBIterator
_DATA_LOOP_AVAILABLE = True
except ImportError as _e:
logger.warning("Module core.data indisponible : %s", _e)
_DATA_LOOP_AVAILABLE = False
# ---------------------------------------------------------------------------
# Types d'actions VWB → StepType du DAGExecutor
# ---------------------------------------------------------------------------
@@ -63,6 +73,9 @@ _WAIT_ACTION_TYPES = {"wait_for_anchor"}
# Actions VWB de type condition
_CONDITION_ACTION_TYPES = {"visual_condition"}
# Actions VWB de type data loop
_DATA_LOOP_ACTION_TYPES = {"import_excel", "db_foreach"}
def _classify_step_type(action_type: str) -> StepType:
"""Détermine le StepType DAG à partir du action_type VWB."""
@@ -72,6 +85,7 @@ def _classify_step_type(action_type: str) -> StepType:
return StepType.WAIT
if action_type in _CONDITION_ACTION_TYPES:
return StepType.CONDITION
# import_excel et db_foreach sont des UI_ACTION traitées spécialement
return StepType.UI_ACTION
@@ -157,6 +171,270 @@ def _convert_vwb_to_dag_steps(
return dag_steps
# ---------------------------------------------------------------------------
# Exécution des étapes Data Loop (import_excel, db_foreach)
# ---------------------------------------------------------------------------
_CURRENT_ROW_PATTERN = re.compile(r"\$\{current_row\.(\w+)\}")
def _execute_import_excel(parameters: Dict[str, Any]) -> Dict[str, Any]:
"""Exécute l'import d'un fichier Excel dans la base SQLite.
Args:
parameters: Doit contenir 'file_path', optionnellement 'table_name', 'sheet_name'
Returns:
Dict avec les infos d'import (table_name, row_count, columns)
"""
if not _DATA_LOOP_AVAILABLE:
raise RuntimeError(
"Module core.data non disponible. "
"Vérifiez que core/data/excel_importer.py existe."
)
file_path = parameters.get("file_path", "")
if not file_path:
raise ValueError("Paramètre 'file_path' requis pour import_excel")
table_name = parameters.get("table_name") or None
sheet_name = parameters.get("sheet_name") or None
# Convertir sheet_name en int si c'est un index numérique
if sheet_name and sheet_name.isdigit():
sheet_name = int(sheet_name)
importer = ExcelImporter()
result = importer.import_file(
file_path=file_path,
table_name=table_name,
sheet_name=sheet_name,
)
logger.info(
"Import Excel terminé : %s → table '%s' (%d lignes, colonnes: %s)",
file_path,
result.table_name,
result.row_count,
result.columns,
)
return {
"table_name": result.table_name,
"row_count": result.row_count,
"columns": result.columns,
"db_path": str(result.db_path) if hasattr(result, "db_path") else None,
}
def _inject_current_row(
action: Dict[str, Any], row: Dict[str, Any]
) -> Dict[str, Any]:
"""Remplace les références ${current_row.column} dans les paramètres d'une action.
Args:
action: Dict des paramètres de l'étape
row: Dict représentant la ligne courante (colonne → valeur)
Returns:
Copie de l'action avec les références remplacées
"""
import copy
resolved = copy.deepcopy(action)
def _resolve(obj: Any) -> Any:
if isinstance(obj, str):
# Cas spécial : la chaîne entière est une seule référence
m = _CURRENT_ROW_PATTERN.fullmatch(obj)
if m:
col = m.group(1)
return row.get(col, obj)
# Cas général : remplacement inline
def _replacer(match: re.Match) -> str:
col = match.group(1)
val = row.get(col)
return str(val) if val is not None else match.group(0)
return _CURRENT_ROW_PATTERN.sub(_replacer, obj)
elif isinstance(obj, dict):
return {k: _resolve(v) for k, v in obj.items()}
elif isinstance(obj, list):
return [_resolve(item) for item in obj]
return obj
return _resolve(resolved)
def _execute_db_foreach(
foreach_step_data: Dict[str, Any],
all_steps_data: List[Dict[str, Any]],
edges_data: List[Dict[str, Any]],
executor_kwargs: Dict[str, Any],
) -> Dict[str, Any]:
"""Exécute une boucle db_foreach : lit les lignes puis ré-exécute les étapes dépendantes.
Algorithme :
1. Lire toutes les lignes de la table (avec filtres optionnels)
2. Identifier les étapes qui dépendent du foreach (via les edges)
3. Pour chaque ligne, injecter ${current_row.column} et exécuter ces étapes
Args:
foreach_step_data: Les données de l'étape db_foreach
all_steps_data: Toutes les étapes du workflow
edges_data: Les edges du workflow
executor_kwargs: Paramètres pour le DAGExecutor (model, ollama_endpoint, timeout)
Returns:
Dict avec le résumé de l'exécution de la boucle
"""
if not _DATA_LOOP_AVAILABLE:
raise RuntimeError(
"Module core.data non disponible. "
"Vérifiez que core/data/db_iterator.py existe."
)
parameters = foreach_step_data.get("parameters", {})
table_name = parameters.get("table_name", "")
if not table_name:
raise ValueError("Paramètre 'table_name' requis pour db_foreach")
where_clause = parameters.get("where_clause") or None
order_by = parameters.get("order_by") or None
limit = parameters.get("limit")
if limit is not None:
try:
limit = int(limit)
except (ValueError, TypeError):
limit = None
# 1. Lire les lignes
iterator = DBIterator()
rows = list(iterator.iterate(
table_name=table_name,
where=where_clause,
order_by=order_by,
limit=limit,
))
if not rows:
logger.info("db_foreach : table '%s' vide, aucune itération", table_name)
return {"row_count": 0, "iterations": [], "table_name": table_name}
logger.info(
"db_foreach : %d lignes à traiter dans '%s'", len(rows), table_name
)
# 2. Identifier les étapes dépendantes du foreach
foreach_id = foreach_step_data["id"]
dependent_ids = set()
for edge in edges_data:
if edge.get("source") == foreach_id:
dependent_ids.add(edge["target"])
# Aussi inclure les étapes qui dépendent des dépendants directs (chaîne)
changed = True
while changed:
changed = False
for edge in edges_data:
if edge.get("source") in dependent_ids and edge["target"] not in dependent_ids:
dependent_ids.add(edge["target"])
changed = True
if not dependent_ids:
logger.warning("db_foreach '%s' : aucune étape dépendante trouvée", foreach_id)
return {"row_count": len(rows), "iterations": [], "table_name": table_name}
# Filtrer les étapes et edges pour ne garder que le sous-graphe
sub_steps = [s for s in all_steps_data if s["id"] in dependent_ids]
sub_edges = [
e for e in edges_data
if e.get("source") in dependent_ids and e.get("target") in dependent_ids
]
# 3. Pour chaque ligne, injecter et exécuter
iteration_results = []
model = executor_kwargs.get("model", "qwen3-vl:8b")
ollama_endpoint = executor_kwargs.get("ollama_endpoint", "http://localhost:11434")
timeout = executor_kwargs.get("timeout", 300)
for row_idx, row in enumerate(rows):
logger.info(
"db_foreach iteration %d/%d : %s",
row_idx + 1, len(rows), {k: str(v)[:50] for k, v in row.items()}
)
# Injecter ${current_row.xxx} dans les paramètres de chaque étape
injected_steps = []
for step_data in sub_steps:
injected = dict(step_data)
injected["parameters"] = _inject_current_row(
step_data.get("parameters", {}), row
)
injected_steps.append(injected)
# Reconstruire les edges internes (sans la dépendance vers foreach)
internal_edges = []
for e in sub_edges:
internal_edges.append(e)
# Pour les étapes qui dépendaient du foreach, supprimer cette dépendance
# (elles deviennent des racines du sous-DAG)
root_ids = set()
for edge in edges_data:
if edge.get("source") == foreach_id and edge["target"] in dependent_ids:
root_ids.add(edge["target"])
# Convertir en DAG steps
dag_steps = _convert_vwb_to_dag_steps(injected_steps, internal_edges)
# Supprimer la dépendance vers foreach_id dans les étapes racines
for ds in dag_steps:
ds.depends_on = [d for d in ds.depends_on if d != foreach_id]
# Vérifier s'il y a des étapes LLM
has_llm = any(s.step_type == StepType.LLM_CALL for s in dag_steps)
llm_handler = None
if has_llm:
llm_handler = LLMActionHandler(
ollama_endpoint=ollama_endpoint,
model=model,
)
executor = DAGExecutor(
max_llm_workers=2,
max_ui_workers=1,
llm_handler=llm_handler,
)
executor.load_workflow(dag_steps)
result = executor.execute(timeout=timeout)
iteration_results.append({
"row_index": row_idx,
"row_data": row,
"success": result.success,
"results": result.results,
"errors": result.errors,
"duration": result.duration_seconds,
})
if not result.success:
logger.warning(
"db_foreach iteration %d échouée : %s",
row_idx, result.errors,
)
# Résumé
success_count = sum(1 for r in iteration_results if r["success"])
return {
"table_name": table_name,
"row_count": len(rows),
"success_count": success_count,
"error_count": len(rows) - success_count,
"iterations": iteration_results,
}
# ---------------------------------------------------------------------------
# Instance globale du dernier exécuteur (pour le status polling)
# ---------------------------------------------------------------------------
@@ -232,8 +510,107 @@ def execute_dag(workflow_id: str):
model = data.get("model", "qwen3-vl:8b")
ollama_endpoint = data.get("ollama_endpoint", "http://localhost:11434")
executor_kwargs = {
"timeout": timeout,
"model": model,
"ollama_endpoint": ollama_endpoint,
}
# ---------------------------------------------------------------
# Pré-traitement des étapes Data Loop (import_excel, db_foreach)
# ---------------------------------------------------------------
data_loop_results: Dict[str, Any] = {}
# 1. Exécuter les imports Excel en premier (avant le DAG principal)
import_steps = [s for s in steps_data if s["action_type"] == "import_excel"]
for imp_step in import_steps:
try:
imp_result = _execute_import_excel(imp_step.get("parameters", {}))
data_loop_results[imp_step["id"]] = imp_result
logger.info(
"Import Excel '%s' terminé : %s",
imp_step["id"], imp_result,
)
except Exception as exc:
logger.error("Import Excel '%s' échoué : %s", imp_step["id"], exc)
return jsonify({
'success': False,
'error': f"Import Excel échoué : {exc}",
}), 500
# 2. Traiter les étapes db_foreach séparément
foreach_steps = [s for s in steps_data if s["action_type"] == "db_foreach"]
for fe_step in foreach_steps:
try:
fe_result = _execute_db_foreach(
fe_step, steps_data, edges_data, executor_kwargs,
)
data_loop_results[fe_step["id"]] = fe_result
logger.info(
"db_foreach '%s' terminé : %d lignes, %d succès",
fe_step["id"],
fe_result.get("row_count", 0),
fe_result.get("success_count", 0),
)
except Exception as exc:
logger.error("db_foreach '%s' échoué : %s", fe_step["id"], exc)
return jsonify({
'success': False,
'error': f"Boucle données échouée : {exc}",
}), 500
# 3. Filtrer les étapes data loop + leurs dépendants (déjà exécutés)
# pour le DAG principal
foreach_ids = {s["id"] for s in foreach_steps}
already_executed_ids = set()
for fe_id in foreach_ids:
already_executed_ids.add(fe_id)
# Trouver récursivement tous les dépendants
changed = True
while changed:
changed = False
for edge in edges_data:
if (edge.get("source") in already_executed_ids
and edge["target"] not in already_executed_ids):
already_executed_ids.add(edge["target"])
changed = True
# Ajouter les import_excel aux déjà exécutés
for imp_step in import_steps:
already_executed_ids.add(imp_step["id"])
# Filtrer les étapes restantes pour le DAG principal
remaining_steps = [s for s in steps_data if s["id"] not in already_executed_ids]
remaining_edges = [
e for e in edges_data
if e.get("source") not in already_executed_ids
and e.get("target") not in already_executed_ids
]
# Si toutes les étapes sont des data loop, retourner directement
if not remaining_steps:
return jsonify({
'success': True,
'execution': {
"success": True,
"data_loop_results": data_loop_results,
"steps": {},
"results": {},
"errors": [],
"duration_seconds": 0,
},
})
# ---------------------------------------------------------------
# Exécution DAG normale pour les étapes restantes
# ---------------------------------------------------------------
# Convertir en étapes DAG
dag_steps = _convert_vwb_to_dag_steps(steps_data, edges_data)
dag_steps = _convert_vwb_to_dag_steps(remaining_steps, remaining_edges)
# Supprimer les dépendances vers des étapes data loop déjà exécutées
for ds in dag_steps:
ds.depends_on = [d for d in ds.depends_on if d not in already_executed_ids]
# Vérifier s'il y a des étapes LLM
has_llm_steps = any(s.step_type == StepType.LLM_CALL for s in dag_steps)
@@ -253,6 +630,11 @@ def execute_dag(workflow_id: str):
llm_handler=llm_handler,
)
# Injecter les résultats des étapes data loop dans l'exécuteur
# pour qu'ils soient disponibles via ${step_id.result}
for step_id, dl_result in data_loop_results.items():
executor._results[step_id] = dl_result
# Charger le workflow dans le DAG
executor.load_workflow(dag_steps)
@@ -261,16 +643,22 @@ def execute_dag(workflow_id: str):
_last_result = None
logger.info(
"Lancement exécution DAG pour workflow '%s' : %d étapes (%d LLM)",
"Lancement exécution DAG pour workflow '%s' : %d étapes (%d LLM, %d data loop pré-traités)",
workflow_id,
len(dag_steps),
sum(1 for s in dag_steps if s.step_type == StepType.LLM_CALL),
len(data_loop_results),
)
# Exécuter (bloquant — le timeout protège)
result = executor.execute(timeout=timeout)
_last_result = result
# Fusionner les résultats data loop
result_dict = result.to_dict()
if data_loop_results:
result_dict["data_loop_results"] = data_loop_results
logger.info(
"Exécution DAG terminée : success=%s, durée=%.2fs",
result.success,
@@ -279,7 +667,7 @@ def execute_dag(workflow_id: str):
return jsonify({
'success': True,
'execution': result.to_dict(),
'execution': result_dict,
})
except ValueError as e:

17
visual_workflow_builder/backend/contracts/action_contracts.py
View File

@@ -315,6 +315,23 @@ VWB_ACTION_CONTRACTS: Dict[str, ActionContract] = {
param_validators={"visual_anchor": lambda p: has_visual_anchor({"visual_anchor": p})}
),
# --- BOUCLE DONNÉES (Data Loop) ---
"import_excel": ActionContract(
action_type="import_excel",
description="Importer un fichier Excel dans la base SQLite",
required_params=["file_path"],
optional_params=["table_name", "sheet_name"],
param_validators={"file_path": lambda p: bool(p and isinstance(p, str) and p.strip())}
),
"db_foreach": ActionContract(
action_type="db_foreach",
description="Boucle sur chaque ligne d'une table et exécute les étapes dépendantes",
required_params=["table_name"],
optional_params=["where_clause", "order_by", "limit"],
param_validators={"table_name": lambda p: bool(p and isinstance(p, str) and p.strip())}
),
# --- ACTIONS DAG LLM — Exécutées via le DAGExecutor ---
"llm_analyze": ActionContract(
action_type="llm_analyze",