""" 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)