# 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
```