ed4d9bd765
Pipeline modulaire remplaçant le monolithe extract_ogc.py (conservé
en legacy pour comparaison).
Modules :
- ingest.py : PDF → PNG 300dpi avec cache par SHA256
- ocr_qwen.py : wrapper singleton Qwen2.5-VL-3B (bfloat16, ~7 Go VRAM)
- ocr_glm.py : wrapper GLM-OCR 0.9B (alternatif, conservé)
- classify.py : détection type de page + routing par index standard
(ordre des 6 pages OGC → -50% d'appels OCR)
- prompts.py : JSON schemas par type (recueil, concertation 1/2/2/2,
preuves) + mots-clés de classification
- checkboxes.py : détection Accord/Désaccord par densité de pixels
(inner-frac 0.35, 17/17 corrects sur échantillon vérifié ;
GLM-OCR et Qwen échouent sur les checkboxes, cf.
scratch/test_prompt_crop_v2.py)
- extract.py : orchestration 1 dossier (ingest → classify → OCR →
parse JSON tolérant aux boucles + validation ATIH)
- persist.py : sauvegarde JSON + metadata (pipeline_version,
ocr_model, timestamp)
- cli.py : `python -m pipeline.cli <pdf|dir>`
Temps mesuré : ~35s/dossier (6 pages) sur RTX 5070.
Qwen2.5-VL-3B retenu après comparaison avec GLM-OCR 0.9B, GOT-OCR2.0,
Surya, PaddleOCR (cf. scratch/). Il extrait correctement dp_libelle,
praticien_conseil et les 4 GHM/GHS là où les autres échouent.
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
54 lines
1.6 KiB
Python
54 lines
1.6 KiB
Python
"""CLI : traite un PDF ou un répertoire de PDFs.
|
|
|
|
Usage :
|
|
python -m pipeline.cli <pdf|dir> [--out output/v2]
|
|
"""
|
|
import argparse
|
|
import glob
|
|
import sys
|
|
import time
|
|
from pathlib import Path
|
|
|
|
from .extract import extract_dossier
|
|
from .persist import save_result
|
|
|
|
|
|
def main():
|
|
p = argparse.ArgumentParser(description="Pipeline OGC v1 (GLM-OCR)")
|
|
p.add_argument("input", help="PDF unique ou répertoire contenant des PDFs")
|
|
p.add_argument("--out", default="output/v2", help="Répertoire de sortie JSON")
|
|
p.add_argument("--quiet", action="store_true")
|
|
args = p.parse_args()
|
|
|
|
input_path = Path(args.input)
|
|
if input_path.is_dir():
|
|
pdfs = sorted(input_path.glob("*.pdf"))
|
|
elif input_path.is_file() and input_path.suffix.lower() == ".pdf":
|
|
pdfs = [input_path]
|
|
else:
|
|
# Globbing si chemin avec espaces/motifs
|
|
pdfs = [Path(p) for p in sorted(glob.glob(str(input_path))) if p.lower().endswith(".pdf")]
|
|
|
|
if not pdfs:
|
|
print(f"Aucun PDF trouvé pour : {args.input}")
|
|
return 1
|
|
|
|
print(f"{len(pdfs)} PDF(s) à traiter → {args.out}")
|
|
t0 = time.time()
|
|
for pdf in pdfs:
|
|
t_pdf = time.time()
|
|
try:
|
|
result = extract_dossier(pdf, verbose=not args.quiet)
|
|
out_path = save_result(result, args.out)
|
|
print(f" ✓ {pdf.name} → {out_path} ({time.time()-t_pdf:.1f}s)")
|
|
except Exception as e:
|
|
print(f" ✗ {pdf.name} : {e}")
|
|
import traceback
|
|
traceback.print_exc()
|
|
print(f"Terminé en {time.time()-t0:.1f}s")
|
|
return 0
|
|
|
|
|
|
if __name__ == "__main__":
|
|
sys.exit(main())
|