Add batch processing service for structured data extraction from OCR results. Include metrics for carbon impact, latency, and pricing in API examples. Update default OCR model in Mistral service for consistency.

docs/API_EXAMPLES.md

@@ -110,6 +110,67 @@ data: {"content": " une", "done": false, "metadata": {"model": "gpt-3.5-turbo",
 data: {"content": "", "done": true, "metadata": {"model": "gpt-3.5-turbo", "agent_type": "simple"}}
 ```
 
+#### Champs d'empreinte carbone, latence, pricing et équivalences
+
+Les réponses incluent désormais des métriques d'impact carbone calculées avec ecologits.
+
+- Non-stream (champ `metadata`):
+```json
+{
+  "metadata": {
+    "message_count": 4,
+    "latency_s": 1.23,
+    "emissions_kgCO2eq": 0.00042,
+    "emissions_gCO2eq": 0.42,
+    "pricing": {
+      "currency": "EUR",
+      "total_cost": 0.0031,
+      "by_model": {
+        "mistral-large-latest": {"input": 0.0005, "output": 0.0026, "total": 0.0031}
+      }
+    },
+    "equivalences": {
+      "water_liters": 0.3,
+      "car_km": 0.002,
+      "tgv_km": 0.01,
+      "smartphone_charges": 0.04
+    }
+  }
+}
+```
+
+- Stream (dernier event, champ `metadata`):
+```json
+{
+  "content": "",
+  "done": true,
+  "metadata": {
+    "model": "mistral-large-latest",
+    "agent_type": "simple",
+    "usage": {"input_tokens":123, "output_tokens":456, "total_tokens":579},
+    "usage_by_model": {
+      "mistral-large-latest": {"input_tokens":123, "output_tokens":456, "total_tokens":579}
+    },
+    "latency_s": 1.23,
+    "emissions_kgCO2eq": 0.00042,
+    "emissions_gCO2eq": 0.42,
+    "pricing": {
+      "currency": "EUR",
+      "total_cost": 0.0031,
+      "by_model": {
+        "mistral-large-latest": {"input": 0.0005, "output": 0.0026, "total": 0.0031}
+      }
+    },
+    "equivalences": {
+      "water_liters": 0.3,
+      "car_km": 0.002,
+      "tgv_km": 0.01,
+      "smartphone_charges": 0.04
+    }
+  }
+}
+```
+
 ### Completion avec historique de conversation
 
 **Requête:**

services/batch_extractor_service.py

@@ -0,0 +1,374 @@
+"""
+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)
+

services/mistral_service.py

@@ -33,7 +33,7 @@ class MistralService:
     def __init__(
         self,
         api_key: Optional[str] = None,
-        ocr_model: str = "mistral-ocr-latest",
+        ocr_model: str = "mistral-ocr-2503",
         chat_model: str = "mistral-large-latest",
     ) -> None:
         self._api_key = api_key or settings.mistralai_api_key