প্রোডাক্ট পেজ এবং ডাটাশিট: একাধিক উৎস থেকে ডাইনামিক অ্যাসেম্বলি

এই নিবন্ধে ব্যাখ্যা করা হয়েছে কীভাবে আমরা একাধিক সিস্টেম থেকে ডেটা একত্রিত করে প্রোডাক্ট পেজ এবং পিডিএফ ডাটাশিট তৈরি করি।

সমস্যা: প্রোডাক্ট ডেটা বিক্ষিপ্ত

একটি প্রোডাক্ট পেজের প্রয়োজন:

• প্রোডাক্ট তথ্য: নাম, বিবরণ, বৈশিষ্ট্য

• ছবি: একাধিক প্রোডাক্ট ফটো (S3 থেকে)

• মূল্য: একাধিক কারেন্সিতে বর্তমান মূল্য (মূল্য নির্ধারণ ইঞ্জিন থেকে)

• স্টক: রিয়েল-টাইম ইনভেন্টরি গণনা

• স্পেসিফিকেশন: ক্যাটাগরি অনুযায়ী গ্রুপকৃত টেকনিক্যাল স্পেস (SKU স্ট্রাকচার থেকে)

প্রতিটি পেজ লোডের জন্য একাধিক উৎস থেকে এই ডেটা একত্রিত করা জটিল।

সমাধান: ক্যাশিং সহ ডাইনামিক অ্যাসেম্বলি

আমরা চাহিদা অনুযায়ী প্রোডাক্ট পেজ একত্রিত করি:

1. প্রোডাক্ট ডাটাবেজ থেকে প্রোডাক্ট ডেটা লোড করুন (ইন-মেমোরিতে)
2. ইমেজ ম্যানিফেস্ট এর মাধ্যমে S3 থেকে ছবি আনুন
3. কারেন্সি কনভার্শন সহ মূল্য গণনা করুন
4. ডাটাবেজ থেকে স্টক জিজ্ঞাসা করুন (Valkey-তে ক্যাশ করা)
5. চাহিদা অনুযায়ী বা ক্যাশ থেকে ডাটাশিট তৈরি করুন

প্রোডাক্ট ডাটাবেজ

আমরা একটি প্রোডাক্ট ডাটাবেজ ব্যবহার করি যাতে রয়েছে:

• প্রোডাক্ট বিবরণ: প্রোডাক্টের নাম এবং বৈশিষ্ট্য

• পার্ট তথ্য: কম্পোনেন্টের বিস্তারিত

• BOM ডেটা: অ্যাসেম্বলড প্রোডাক্টের জন্য বিল অফ ম্যাটেরিয়াল

• মূল্য: ওয়েব মূল্য এবং কারেন্সি রূপান্তর

প্রোডাক্ট পেজ অ্যাসেম্বলি

প্রোডাক্ট পেজ একাধিক উৎস থেকে একত্রিত করা হয়:

1. প্রোডাক্ট ডাটাবেজ: প্রোডাক্টের নাম, বৈশিষ্ট্য, মূল্য
2. S3 স্টোরেজ: ইমেজ ম্যানিফেস্ট থেকে প্রোডাক্টের ছবি
3. ডাটাবেজ: স্টক গণনা (সমাপ্ত পণ্য + পার্ট)
4. Valkey: পারফরম্যান্সের জন্য ক্যাশ করা স্টক গণনা

ইমেজ সোর্সিং

প্রোডাক্টের ছবি S3 থেকে সংগ্রহ করা হয়:

1. ইমেজ ম্যানিফেস্ট: ছবির অবস্থানের কেন্দ্রীয় রেজিস্ট্রি
2. S3 বাকেট: অবজেক্ট স্টোরেজে সংরক্ষিত প্রোডাক্টের ছবি
3. WebP ফরম্যাট: দ্রুত লোডিংয়ের জন্য অপ্টিমাইজড ছবি
4. ফলব্যাক: আসল ছবি না পাওয়া গেলে প্লেসহোল্ডার ছবি

ডাটাশিট জেনারেশন

ডাটাশিট পিডিএফ হিসাবে তৈরি করা হয় pdfkit ব্যবহার করে:

1. টেমপ্লেট: প্রোডাক্ট তথ্য সহ HTML টেমপ্লেট
2. বৈশিষ্ট্য: প্রোডাক্ট ডাটাবেজ থেকে নিষ্কাশিত
3. ছবি: S3 থেকে প্রোডাক্টের ছবি
4. পিডিএফ রূপান্তর: wkhtmltopdf ব্যবহার করে HTML থেকে PDF

ডাটাশিট লেআউটে ফিচারের নামের জন্য বোল্ড হেডিং সহ ২-কলাম ফরম্যাট ব্যবহার করা হয়।

ইনভেন্টরি গণনা

আমরা একাধিক স্তর থেকে ইনভেন্টরি গণনা করি:

1. স্তর ১: শিপিংয়ের জন্য প্রস্তুত (সমাপ্ত পণ্যের স্টক)
2. স্তর ২: ৩ দিনে প্রস্তুত (ন্যূনতম কম্পোনেন্ট স্টক)
3. স্তর ৩: ১৫ দিনে প্রস্তুত (বোর্ড + RAM স্টক)

মূল্য গণনা

মূল্য গণনা করা হয় ব্যবহার করে:

1. ওয়েব মূল্য: প্রোডাক্ট ডাটাবেজ থেকে
2. কারেন্সি রূপান্তর: ব্যবহারকারীর কারেন্সিতে রূপান্তর
3. জিএসটি: প্রযোজ্য কর যোগ করুন
4. নেট পরিমাণ: করসহ মোট

AI-চালিত বিবরণ

আমরা প্রোডাক্টের বিবরণ তৈরি করতে DeepSeek ব্যবহার করি:

1. প্রোডাক্টের নাম তৈরি: SKU থেকে
2. বৈশিষ্ট্য নিষ্কাশন: প্রোডাক্ট ডাটাবেজ থেকে
3. DeepSeek-এ পাঠান: ক্যাশিংয়ের জন্য সিস্টেম প্রম্পট সহ
4. প্রতিক্রিয়া পার্স করুন: ট্যাগলাইন এবং বডি
5. মাল্টিলিঙ্গুয়াল সমর্থনের জন্য সংরক্ষণ করুন

সারসংক্ষেপ

প্রোডাক্ট পেজ এবং ডাটাশিট সরবরাহ করে:

• সম্পূর্ণ তথ্য: একাধিক উৎস থেকে

• অপ্টিমাইজড ছবি: S3 থেকে WebP ফরম্যাট

• দ্রুত লোডিং: স্টক গণনার জন্য Valkey ক্যাশিং

• AI কন্টেন্ট: বিবরণের জন্য DeepSeek

• মাল্টিলিঙ্গুয়াল: একাধিক ভাষার জন্য সমর্থন