751922d032
setup.sh and README.md referenced gemma3:27b-it-qat while config.py uses gemma3:27b-cloud. Added architecture.html (Mermaid pipeline diagram) and t2a-extractor.zip for collaborator deployment. Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
64 lines
2.0 KiB
Markdown
64 lines
2.0 KiB
Markdown
# T2A Extractor
|
|
|
|
Extraction structurée de rapports de contrôle T2A (décisions UCR) depuis des PDF natifs et scannés.
|
|
|
|
## Architecture
|
|
|
|
```
|
|
PDF UCR → [pymupdf/docTR] → texte brut → [regex] → blocs OGC → [VLM Ollama] → JSON → [validation] → Excel/CSV
|
|
```
|
|
|
|
### Pipeline
|
|
|
|
1. **Extraction texte** — Détection automatique natif/scanné par page. pymupdf pour le natif, docTR pour l'OCR.
|
|
2. **Segmentation** — Découpage en blocs par Champ et par OGC (individuels et groupés) via regex.
|
|
3. **Extraction structurée** — Chaque bloc est envoyé au VLM local (Ollama) qui retourne un JSON structuré.
|
|
4. **Validation** — Vérification des codes CIM-10/CCAM, cohérence des décisions.
|
|
5. **Export** — Excel formaté (avec coloration des décisions) et CSV optionnel.
|
|
|
|
## Schéma de sortie (11 colonnes)
|
|
|
|
| Colonne | Description |
|
|
|---|---|
|
|
| `champ` | Numéro de champ |
|
|
| `num_ogc` | Numéro OGC |
|
|
| `type_desaccord` | DP / DAS / DP+DAS / Actes |
|
|
| `codes_etablissement` | Codes CIM-10/CCAM de l'établissement |
|
|
| `libelle_etablissement` | Libellé du codage établissement |
|
|
| `codes_controleurs` | Codes CIM-10/CCAM des contrôleurs |
|
|
| `libelle_controleurs` | Libellé du codage contrôleurs |
|
|
| `decision_ucr` | Favorable / Défavorable (pour l'établissement) |
|
|
| `codes_retenus` | Codes finalement retenus |
|
|
| `ghm_ghs` | GHM/GHS si mentionnés |
|
|
| `texte_decision` | Texte intégral de la décision UCR |
|
|
|
|
## Installation
|
|
|
|
```bash
|
|
chmod +x setup.sh
|
|
./setup.sh
|
|
```
|
|
|
|
## Usage
|
|
|
|
```bash
|
|
source .venv/bin/activate
|
|
python main.py rapport_ucr.pdf
|
|
python main.py rapport_ucr.pdf --csv --verbose
|
|
python main.py rapport_ucr.pdf -o /chemin/sortie --csv -v
|
|
```
|
|
|
|
## Prérequis
|
|
|
|
- Python 3.12+
|
|
- Ollama avec un VLM (gemma3:27b-cloud par défaut)
|
|
- GPU recommandé pour docTR (fonctionne aussi en CPU)
|
|
|
|
## Configuration
|
|
|
|
Éditer `config.py` pour ajuster :
|
|
- `OLLAMA_MODEL` — modèle à utiliser
|
|
- `OLLAMA_BASE_URL` — URL du serveur Ollama
|
|
- `OCR_DPI` — résolution OCR (défaut: 200)
|
|
- `NATIVE_TEXT_MIN_CHARS` — seuil de détection natif/scanné
|