version a 82%

README.md

@@ -0,0 +1,94 @@
+# Extraction OGC — Ministral-3 8B
+
+Extraction automatique des fiches OGC (Organisme de Gestion du Contrôle) vers Excel.
+Modèle : **ministral-3:8b-cloud** (vision via Ollama).
+
+---
+
+## Structure du dossier
+
+```
+TestExtract_mistral/
+├── extraction.py          ← script principal
+├── README.md              ← ce fichier
+├── scanOgc -> ../testExtraction2/scanOgc   ← lien symbolique vers les PDFs
+└── output/
+    ├── extraction_ogc.xlsx      ← résultat (4 onglets)
+    └── extraction_ogc_raw.json  ← données brutes pour debug
+```
+
+---
+
+## Lancement
+
+```bash
+cd TestExtract_mistral
+
+# Tous les fichiers
+python3 extraction.py
+
+# Un seul fichier (relance partielle — fusionne avec le cache)
+python3 extraction.py "358"
+```
+
+---
+
+## Ce que fait le script
+
+Même logique que le projet qwen (`testExtraction2`) :
+
+1. Convertit chaque page PDF en image (200 DPI)
+2. Envoie l'image à **ministral-3:8b-cloud** pour identifier le type de page
+3. Ignore la page "Séjour d'hospitalisation complète" (bloc manuscrit — phase 2)
+4. Pour chaque autre page, extrait les données en JSON via un prompt dédié
+5. Assemble tout en Excel (4 onglets)
+
+### Types de pages traités
+
+| Type | Action |
+|---|---|
+| FICHE_RECUEIL | Extrait (données séjour, codages, GHM/GHS) |
+| ELEMENTS_PREUVE | Extrait (tableau 17 documents) |
+| FICHE_ADMIN_2_2 | Extrait (GHS final, décision concertation) |
+| FICHE_ADMIN_1_2 | Extrait (argumentaire imprimé complet) |
+| SEJOUR_MANUSCRIT | **Ignoré** — commentaires manuscrits (phase 2) |
+| FICHE_CONCERTATION_VIDE | Ignoré — page vide |
+
+---
+
+## Sortie Excel (4 onglets)
+
+**Données principales** — 1 ligne par OGC, tous les champs scalaires  
+**Diagnostics** — 1 ligne par code (DP/DR/DAS), établissement + recodage  
+**Actes** — 1 ligne par acte CCAM, établissement + recodage  
+**Eléments de preuve** — 1 ligne par type de document × OGC
+
+---
+
+## Différences vs projet Qwen
+
+| | Qwen3-VL 235B | Ministral-3 8B |
+|---|---|---|
+| Vitesse par page | ~10–100s | ~2–10s |
+| Thinking mode | Oui (num_predict=8192 obligatoire) | Non (num_predict=2048 suffit) |
+| Rate limit | Modéré | Plus serré — pause 3s entre requêtes |
+| JSON malformé | Rare | Parfois des newlines dans les valeurs |
+
+---
+
+## Particularités techniques
+
+- **Pas de thinking** : ministral répond directement, les prompts courts et le `num_predict=2048` suffisent.
+- **Rate limit serré** : pause de 3s entre chaque requête + retry automatique sur 429. Ne pas lancer en parallèle avec le projet qwen.
+- **Newlines dans JSON** : ministral peut inclure des sauts de ligne dans les valeurs string — le parser les nettoie automatiquement.
+- **Relance partielle** : `python3 extraction.py "XXX"` charge le cache JSON existant.
+
+---
+
+## Prérequis
+
+```bash
+pip install pdf2image pillow pandas openpyxl requests
+# Ollama doit tourner (ollama serve)
+# Modèle requis : ministral-3:8b-cloud
+```