version à 86%

README.md

@@ -0,0 +1,82 @@
+# Extraction OGC — Qwen3-VL 235B
+
+Extraction automatique des fiches OGC (Organisme de Gestion du Contrôle) vers Excel.
+Modèle : **qwen3-vl:235b-cloud** (vision multimodal via Ollama).
+
+---
+
+## Structure du dossier
+
+```
+testExtraction2/
+├── extraction.py          ← script principal
+├── README.md              ← ce fichier
+├── PLAN_EXTRACTION.md     ← documentation technique détaillée
+├── scanOgc/               ← 12 PDFs source (OGC 358 à 429)
+└── output/
+    ├── extraction_ogc.xlsx      ← résultat (4 onglets)
+    └── extraction_ogc_raw.json  ← données brutes pour debug
+```
+
+---
+
+## Lancement
+
+```bash
+cd testExtraction2
+
+# Tous les fichiers
+python3 extraction.py
+
+# Un seul fichier (relance partielle — fusionne avec le cache)
+python3 extraction.py "358"
+```
+
+---
+
+## Ce que fait le script
+
+1. Convertit chaque page PDF en image (200 DPI)
+2. Envoie l'image à **qwen3-vl:235b-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
+
+---
+
+## Particularités techniques
+
+- **Thinking mode** : qwen3-vl génère ~4000 tokens de réflexion interne avant la réponse. `num_predict=8192` est obligatoire pour avoir assez de budget tokens.
+- **Rate limit** : pause de 2s entre chaque requête + retry automatique sur 429 (attente 60s × tentative).
+- **Ordre des pages variable** : identification par titre, pas par numéro de page.
+- **Relance partielle** : `python3 extraction.py "XXX"` charge le cache JSON existant et ne réécrase que le fichier relancé.
+
+---
+
+## Prérequis
+
+```bash
+pip install pdf2image pillow pandas openpyxl requests
+# Ollama doit tourner (ollama serve)
+# Modèle requis : qwen3-vl:235b-cloud
+```