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

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

Convertit chaque page PDF en image (200 DPI)
Envoie l'image à qwen3-vl:235b-cloud pour identifier le type de page
Ignore la page "Séjour d'hospitalisation complète" (bloc manuscrit — phase 2)
Pour chaque autre page, extrait les données en JSON via un prompt dédié
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

pip install pdf2image pillow pandas openpyxl requests
# Ollama doit tourner (ollama serve)
# Modèle requis : qwen3-vl:235b-cloud

README.md Unescape Escape