File size: 5,600 Bytes
4211d95
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
"""Parsing et chunking de documents PDF techniques."""

from __future__ import annotations

import hashlib
import logging
from dataclasses import dataclass, field
from pathlib import Path

import fitz  # PyMuPDF
from langchain_text_splitters import RecursiveCharacterTextSplitter

from src.config import CHUNK_OVERLAP, CHUNK_SIZE

logger = logging.getLogger(__name__)


@dataclass
class DocumentChunk:
    """Un fragment de document enrichi de métadonnées."""

    text: str
    metadata: dict = field(default_factory=dict)

    @property
    def page_label(self) -> str:
        return f"p.{self.metadata.get('page', '?')}"


@dataclass
class ParsedDocument:
    """Résultat du parsing d'un PDF."""

    filename: str
    total_pages: int
    chunks: list[DocumentChunk]
    doc_hash: str

    @property
    def summary(self) -> str:
        return (
            f"📄 {self.filename} — {self.total_pages} pages, "
            f"{len(self.chunks)} chunks indexés"
        )


class DocumentProcessor:
    """Parse des PDFs techniques et les découpe en chunks sémantiques."""

    def __init__(
        self,
        chunk_size: int = CHUNK_SIZE,
        chunk_overlap: int = CHUNK_OVERLAP,
    ):
        self.splitter = RecursiveCharacterTextSplitter(
            chunk_size=chunk_size,
            chunk_overlap=chunk_overlap,
            separators=["\n\n", "\n", ". ", " ", ""],
            length_function=len,
        )

    # ── API publique ─────────────────────────────────────────────────────

    def process_pdf(self, pdf_path: str | Path) -> ParsedDocument:
        """Parse un PDF et retourne les chunks avec métadonnées."""
        pdf_path = Path(pdf_path)
        if not pdf_path.exists():
            raise FileNotFoundError(f"Fichier introuvable : {pdf_path}")

        logger.info("Traitement de %s", pdf_path.name)

        doc_hash = self._compute_hash(pdf_path)
        pages = self._extract_pages(pdf_path)
        chunks = self._create_chunks(pages, pdf_path.name)

        parsed = ParsedDocument(
            filename=pdf_path.name,
            total_pages=len(pages),
            chunks=chunks,
            doc_hash=doc_hash,
        )
        logger.info(parsed.summary)
        return parsed

    def process_multiple(self, pdf_paths: list[str | Path]) -> list[ParsedDocument]:
        """Traite plusieurs PDFs."""
        results = []
        for path in pdf_paths:
            try:
                results.append(self.process_pdf(path))
            except Exception as e:
                logger.error("Erreur sur %s : %s", path, e)
        return results

    # ── Extraction ───────────────────────────────────────────────────────

    def _extract_pages(self, pdf_path: Path) -> list[dict]:
        """Extrait le texte page par page avec nettoyage."""
        pages = []
        with fitz.open(str(pdf_path)) as doc:
            for page_num, page in enumerate(doc, start=1):
                text = page.get_text("text")
                cleaned = self._clean_text(text)
                if cleaned.strip():
                    pages.append({"page": page_num, "text": cleaned})
        return pages

    def _create_chunks(
        self, pages: list[dict], filename: str
    ) -> list[DocumentChunk]:
        """Découpe les pages en chunks avec métadonnées de traçabilité."""
        all_chunks = []
        for page_data in pages:
            page_num = page_data["page"]
            text = page_data["text"]

            splits = self.splitter.split_text(text)
            for i, split_text in enumerate(splits):
                chunk = DocumentChunk(
                    text=split_text,
                    metadata={
                        "source": filename,
                        "page": page_num,
                        "chunk_index": i,
                        "total_chars": len(split_text),
                    },
                )
                all_chunks.append(chunk)

        # Numéroter globalement
        for idx, chunk in enumerate(all_chunks):
            chunk.metadata["global_index"] = idx

        return all_chunks

    # ── Utilitaires ──────────────────────────────────────────────────────

    @staticmethod
    def _clean_text(text: str) -> str:
        """Nettoie le texte extrait d'un PDF."""
        import re

        # Supprimer les caractères de contrôle sauf newlines
        text = re.sub(r"[^\S\n]+", " ", text)
        # Supprimer les lignes vides multiples
        text = re.sub(r"\n{3,}", "\n\n", text)
        # Supprimer les en-têtes/pieds de page répétitifs (heuristique)
        lines = text.split("\n")
        cleaned_lines = []
        for line in lines:
            stripped = line.strip()
            # Ignorer les lignes qui ne sont que des numéros de page
            if stripped.isdigit() and len(stripped) <= 4:
                continue
            cleaned_lines.append(line)

        return "\n".join(cleaned_lines).strip()

    @staticmethod
    def _compute_hash(path: Path) -> str:
        """Hash SHA-256 du fichier pour détecter les doublons."""
        sha = hashlib.sha256()
        with open(path, "rb") as f:
            for block in iter(lambda: f.read(8192), b""):
                sha.update(block)
        return sha.hexdigest()[:16]