# 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
```