File size: 13,110 Bytes
b1df3b7 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 | """
Service de traitement par lots pour l'extraction de données structurées depuis des documents OCR.
Ce module fournit une classe réutilisable `BatchExtractor` qui permet d'extraire des données
structurées à partir de résultats OCR en traitant le document par lots de pages.
Fonctionnalités:
- Traitement par lots configurable (taille, pauses, retries)
- Support des plages de pages (start_page, end_page)
- Gestion des erreurs avec retry automatique
- Callbacks de progression
- Statistiques d'extraction
"""
from __future__ import annotations
import json
import time
from dataclasses import dataclass, field
from pathlib import Path
from typing import Any, Callable, Dict, List, Optional, Union
@dataclass
class BatchConfig:
"""Configuration pour le traitement par lots."""
batch_size: int = 10
"""Nombre de pages par batch."""
pause_seconds: float = 2.0
"""Pause entre les batchs (rate limiting)."""
max_retries: int = 3
"""Tentatives max par batch en cas d'erreur."""
retry_delay: float = 5.0
"""Délai entre les tentatives (secondes)."""
model: str = "mistral-large-latest"
"""Modèle Mistral à utiliser."""
start_page: Optional[int] = None
"""Page de début (1-indexed, None = début du document)."""
end_page: Optional[int] = None
"""Page de fin (1-indexed, inclusive, None = fin du document)."""
@dataclass
class BatchResult:
"""Résultat d'un batch."""
batch_index: int
"""Index du batch (0-indexed)."""
start_page: int
"""Numéro de la première page du batch (1-indexed)."""
end_page: int
"""Numéro de la dernière page du batch (1-indexed)."""
items: List[Dict[str, Any]] = field(default_factory=list)
"""Liste des éléments extraits."""
success: bool = True
"""True si l'extraction a réussi."""
error: Optional[str] = None
"""Message d'erreur si échec."""
@dataclass
class ExtractionResult:
"""Résultat complet d'une extraction."""
items: List[Dict[str, Any]]
"""Liste de tous les éléments extraits."""
stats: Dict[str, Any]
"""Statistiques d'extraction."""
errors: List[Dict[str, Any]]
"""Liste des erreurs rencontrées."""
# Type alias pour le callback de progression
ProgressCallback = Callable[[int, int, BatchResult], None]
class BatchExtractor:
"""
Extracteur de données par lots depuis des résultats OCR.
Traite un résultat OCR en lots de pages pour éviter les timeouts API.
Utilise le service Mistral pour les appels LLM.
Exemple d'utilisation:
```python
extractor = BatchExtractor(
ocr_result=ocr_data,
system_prompt=SYSTEM_PROMPT,
json_schema=JSON_SCHEMA,
items_key="formations", # Clé dans la réponse JSON
config=BatchConfig(batch_size=10, start_page=15, end_page=50)
)
result = extractor.extract_all()
```
"""
def __init__(
self,
ocr_result: Dict[str, Any],
system_prompt: str,
json_schema: Dict[str, Any],
items_key: str = "items",
user_prompt: str = "Extrait les données de ces pages du document.",
config: Optional[BatchConfig] = None,
verbose: bool = True,
):
"""
Initialise l'extracteur.
Args:
ocr_result: Résultat OCR contenant les pages (dict avec clé 'pages')
system_prompt: Prompt système pour guider l'extraction
json_schema: Schéma JSON pour structurer la sortie
items_key: Clé dans la réponse JSON contenant la liste des éléments
user_prompt: Prompt utilisateur de base
config: Configuration du batch processing
verbose: Afficher les messages de progression
"""
self.pages = ocr_result.get('pages', [])
self.system_prompt = system_prompt
self.json_schema = json_schema
self.items_key = items_key
self.user_prompt = user_prompt
self.config = config or BatchConfig()
self.verbose = verbose
# Accès au client Mistral via le service singleton
from services.mistral_service import mistral_service
self.client = mistral_service.client
def _log(self, message: str, end: str = "\n"):
"""Affiche un message si verbose est activé."""
if self.verbose:
print(message, end=end)
def _pages_to_markdown(self, page_list: List[Dict]) -> str:
"""Convertit une liste de pages OCR en markdown."""
parts = []
for page in page_list:
idx = page.get('index', 0)
md = page.get('markdown', '')
parts.append(f"\n--- PAGE {idx + 1} ---\n{md}")
return "\n".join(parts)
def _build_messages(self, batch_markdown: str) -> List[Dict[str, Any]]:
"""Construit les messages pour l'API chat."""
schema_str = json.dumps(self.json_schema, indent=2)
system_content = (
f"{self.system_prompt}\n\n"
f"**JSON Schema to follow:**\n```json\n{schema_str}\n```"
)
user_content = (
f"{self.user_prompt}\n\n"
f"=== DOCUMENT CONTENT (OCR) ===\n{batch_markdown}"
)
return [
{"role": "system", "content": system_content},
{"role": "user", "content": user_content}
]
def _extract_batch(self, batch_pages: List[Dict], batch_idx: int) -> BatchResult:
"""Extrait les données d'un batch de pages."""
start_page = batch_pages[0].get('index', 0) + 1
end_page = batch_pages[-1].get('index', 0) + 1
result = BatchResult(
batch_index=batch_idx,
start_page=start_page,
end_page=end_page
)
batch_markdown = self._pages_to_markdown(batch_pages)
messages = self._build_messages(batch_markdown)
for attempt in range(self.config.max_retries):
try:
response = self.client.chat.complete(
model=self.config.model,
messages=messages,
response_format={"type": "json_object"},
)
content = response.choices[0].message.content
parsed = json.loads(content) if isinstance(content, str) else content
result.items = parsed.get(self.items_key, [])
result.success = True
return result
except Exception as e:
error_msg = str(e)
if attempt < self.config.max_retries - 1:
self._log(f" ⚠️ Tentative {attempt + 1} échouée, retry dans {self.config.retry_delay}s...")
time.sleep(self.config.retry_delay)
else:
result.success = False
result.error = error_msg
return result
def extract_all(self, progress_callback: Optional[ProgressCallback] = None) -> ExtractionResult:
"""
Extrait toutes les données par lots.
Args:
progress_callback: Fonction optionnelle appelée après chaque batch
signature: callback(batch_idx, total_batches, batch_result)
Returns:
ExtractionResult avec 'items' (liste), 'stats' et 'errors'
"""
# Filtrer les pages selon la plage configurée (pages 1-indexed)
all_pages = self.pages
start_idx = 0
end_idx = len(all_pages)
if self.config.start_page is not None:
start_idx = max(0, self.config.start_page - 1)
if self.config.end_page is not None:
end_idx = min(len(all_pages), self.config.end_page)
pages_to_process = all_pages[start_idx:end_idx]
total_pages = len(pages_to_process)
if total_pages == 0:
self._log("⚠️ Aucune page à traiter dans la plage spécifiée.")
return ExtractionResult(items=[], stats={}, errors=[])
num_batches = (total_pages + self.config.batch_size - 1) // self.config.batch_size
# Afficher la plage de pages
actual_start = start_idx + 1
actual_end = start_idx + total_pages
self._log(f"📄 Pages à traiter: {actual_start} à {actual_end} ({total_pages} pages sur {len(all_pages)} total)")
self._log(f"🔄 Traitement en {num_batches} batchs de {self.config.batch_size} pages max...")
self._log(f"⏱️ Pause de {self.config.pause_seconds}s entre chaque batch\n")
all_items: List[Dict[str, Any]] = []
errors: List[BatchResult] = []
for batch_idx in range(num_batches):
batch_start = batch_idx * self.config.batch_size
batch_end = min(batch_start + self.config.batch_size, total_pages)
batch_pages = pages_to_process[batch_start:batch_end]
# Calculer les numéros de pages réels (1-indexed)
real_start_page = batch_pages[0].get('index', 0) + 1
real_end_page = batch_pages[-1].get('index', 0) + 1
self._log(f"📦 Batch {batch_idx + 1}/{num_batches} - Pages {real_start_page} à {real_end_page}...", end=" ")
batch_result = self._extract_batch(batch_pages, batch_idx)
if batch_result.success:
all_items.extend(batch_result.items)
self._log(f"✅ {len(batch_result.items)} éléments extraits")
else:
errors.append(batch_result)
error_preview = batch_result.error[:60] if batch_result.error else "Unknown"
self._log(f"❌ Erreur: {error_preview}...")
if progress_callback:
progress_callback(batch_idx, num_batches, batch_result)
# Pause entre les batchs (sauf le dernier)
if batch_idx < num_batches - 1:
time.sleep(self.config.pause_seconds)
# Résumé
self._log(f"\n{'='*60}")
self._log(f"📊 RÉSULTAT FINAL")
self._log(f"{'='*60}")
self._log(f"✅ Total éléments extraits: {len(all_items)}")
if errors:
self._log(f"⚠️ Batchs en erreur: {len(errors)}")
for err in errors:
self._log(f" - Batch {err.batch_index + 1}: Pages {err.start_page}-{err.end_page}")
stats = {
"total_pages_in_document": len(all_pages),
"pages_processed": total_pages,
"page_range": f"{actual_start}-{actual_end}",
"total_batches": num_batches,
"successful_batches": num_batches - len(errors),
"failed_batches": len(errors),
"total_items": len(all_items)
}
error_dicts = [
{
"batch": e.batch_index,
"pages": f"{e.start_page}-{e.end_page}",
"error": e.error
}
for e in errors
]
return ExtractionResult(
items=all_items,
stats=stats,
errors=error_dicts
)
def extract_to_file(
self,
output_path: Union[str, Path],
items_key: Optional[str] = None,
progress_callback: Optional[ProgressCallback] = None
) -> ExtractionResult:
"""
Extrait les données et les sauvegarde dans un fichier JSON.
Args:
output_path: Chemin du fichier de sortie
items_key: Clé pour les éléments dans le fichier de sortie (défaut: self.items_key)
progress_callback: Callback de progression optionnel
Returns:
ExtractionResult
"""
result = self.extract_all(progress_callback)
output_path = Path(output_path)
output_key = items_key or self.items_key
output_data = {
output_key: result.items,
"stats": result.stats,
"errors": result.errors
}
with open(output_path, 'w', encoding='utf-8') as f:
json.dump(output_data, f, ensure_ascii=False, indent=2)
self._log(f"\n💾 Résultat sauvegardé dans: {output_path}")
return result
# Fonction utilitaire pour charger un fichier OCR
def load_ocr_result(path: Union[str, Path]) -> Dict[str, Any]:
"""
Charge un fichier JSON contenant le résultat OCR.
Args:
path: Chemin vers le fichier JSON OCR
Returns:
Dict contenant le résultat OCR
Raises:
FileNotFoundError: Si le fichier n'existe pas
"""
path = Path(path)
if not path.exists():
raise FileNotFoundError(f"Fichier OCR introuvable: {path}")
with open(path, 'r', encoding='utf-8') as f:
return json.load(f)
|