feat: OCR docTR par page — plus de seuil global, traite chaque page pauvre individuellement

L'OCR docTR est maintenant déclenché page par page (< 150 chars) au lieu
d'un seuil global sur tout le document. Permet de traiter les documents
mixtes (pages texte + pages scannées) sans pénaliser le temps de traitement
sur les pages déjà riches en texte.

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

anonymizer_core_refactored_onnx.py

@@ -1192,16 +1192,23 @@ def extract_text_with_fallback_ocr(pdf_path: Path) -> Tuple[List[str], List[List
         except Exception:
             pass
 
-    # --- Passe 3 : OCR docTR si PDF scanné (très peu de texte) ---
+    # --- Passe 3 : OCR docTR sur les pages pauvres en texte ---
+    # Pas de seuil global : on OCR uniquement les pages individuelles
+    # qui ont peu de texte (< 150 chars), puis on garde le meilleur résultat
+    # par page. Les pages déjà riches en texte ne sont pas touchées.
+    _OCR_PAGE_THRESHOLD = 150  # chars minimum pour considérer une page comme "texte OK"
     total_chars = sum(len(x or "") for x in pages_text)
     ocr_word_map: OcrWordMap = {}
-    if total_chars < 200 and _DOCTR_AVAILABLE and fitz is not None:
+    sparse_pages = [i for i, p in enumerate(pages_text) if len(p or "") < _OCR_PAGE_THRESHOLD]
+    if sparse_pages and _DOCTR_AVAILABLE and fitz is not None:
         try:
             model = _get_doctr_model()
             doc = fitz.open(str(pdf_path))
-            ocr_pages: List[str] = []
             import numpy as np
-            for i in range(len(doc)):
+            ocr_replaced = 0
+            for i in sparse_pages:
+                if i >= len(doc):
+                    continue
                 pix = doc[i].get_pixmap(dpi=300)
                 img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
                 result = model([np.array(img)])
@@ -1213,15 +1220,17 @@ def extract_text_with_fallback_ocr(pdf_path: Path) -> Tuple[List[str], List[List
                             (x0, y0), (x1, y1) = w.geometry
                             page_words.append((w.value, x0, y0, x1, y1))
                         page_text += " ".join(w.value for w in line.words) + "\n"
+                # Remplacer seulement si l'OCR produit plus de texte
+                if len(page_text) > len(pages_text[i] or ""):
+                    pages_text[i] = page_text
                     ocr_word_map[i] = page_words
-                ocr_pages.append(page_text)
+                    ocr_replaced += 1
             doc.close()
-            if sum(len(p) for p in ocr_pages) > total_chars:
+            if ocr_replaced > 0:
-                pages_text = ocr_pages
                 ocr_used = True
-            else:
+                log.info("OCR docTR : %d/%d pages remplacées", ocr_replaced, len(sparse_pages))
-                ocr_word_map = {}
+        except Exception as e:
-        except Exception:
+            log.warning("OCR docTR échoué : %s", e)
             ocr_word_map = {}
     return pages_text, tables_lines, ocr_used, ocr_word_map