David Blanc Brioir
d2f7165120
- Add complete Library RAG application (Flask + MCP server) - PDF processing pipeline with OCR and LLM extraction - Weaviate vector database integration (BGE-M3 embeddings) - Flask web interface with search and document management - MCP server for Claude Desktop integration - Comprehensive test suite (134 tests) - Clean up root directory - Remove obsolete documentation files - Remove backup and temporary files - Update autonomous agent configuration - Update prompts - Enhance initializer bis prompt with better instructions 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>
56 lines
3.7 KiB
Python
56 lines
3.7 KiB
Python
"""Schémas Pydantic pour l'extraction structurée via OCR avec annotations.
|
|
|
|
Utilisés avec document_annotation_format et bbox_annotation_format de l'API Mistral.
|
|
"""
|
|
|
|
from typing import List, Optional
|
|
from pydantic import BaseModel, Field
|
|
from enum import Enum
|
|
|
|
|
|
class TocEntryType(str, Enum):
|
|
"""Type d'entrée de table des matières."""
|
|
CHAPTER = "chapter"
|
|
SECTION = "section"
|
|
SUBSECTION = "subsection"
|
|
PREAMBLE = "preamble"
|
|
APPENDIX = "appendix"
|
|
|
|
|
|
class TocEntry(BaseModel):
|
|
"""Entrée de table des matières avec hiérarchie."""
|
|
title: str = Field(..., description="Titre exact de la section tel qu'il apparaît dans la table des matières")
|
|
page_number: int = Field(..., description="Numéro de page réel tel qu'imprimé/affiché dans le livre (PAS l'index séquentiel du PDF, mais le numéro visible sur la page elle-même)")
|
|
level: int = Field(..., description="""Niveau hiérarchique détecté VISUELLEMENT dans la mise en page de la table des matières:
|
|
- level=1 si le titre est aligné à gauche SANS indentation (titres principaux)
|
|
- level=2 si le titre a une PETITE indentation ou est légèrement décalé vers la droite
|
|
- level=3 si le titre a une DOUBLE indentation ou est très décalé vers la droite
|
|
Regardez attentivement l'alignement horizontal et les espaces avant chaque titre pour déterminer le niveau.""")
|
|
entry_type: TocEntryType = Field(default=TocEntryType.SECTION, description="Type d'entrée: 'preamble' pour préfaces/introductions, 'chapter' pour chapitres, 'section' pour sections, 'subsection' pour sous-sections, 'appendix' pour annexes")
|
|
parent_title: Optional[str] = Field(None, description="Si level > 1, indiquer le titre du parent direct (l'entrée de level=1 sous laquelle cette entrée est indentée)")
|
|
|
|
|
|
class DocumentTOC(BaseModel):
|
|
"""Table des matières complète du document."""
|
|
entries: List[TocEntry] = Field(..., description="""Liste COMPLÈTE de TOUTES les entrées de la table des matières dans l'ordre d'apparition.
|
|
IMPORTANT : Analysez attentivement l'indentation/alignement horizontal de chaque titre pour assigner le bon niveau hiérarchique:
|
|
- Les titres alignés à gauche (non indentés) = level 1
|
|
- Les titres légèrement indentés/décalés vers la droite = level 2 (sous-sections du titre level 1 précédent)
|
|
- Les titres avec double indentation = level 3 (sous-sections du titre level 2 précédent)
|
|
Chaque entrée doit avoir son vrai numéro de page tel qu'imprimé dans le livre.""")
|
|
has_explicit_toc: bool = Field(..., description="Le document contient-il une table des matières explicite et visible ? (généralement en début de document)")
|
|
toc_page_numbers: List[int] = Field(..., description="Liste des numéros de pages où se trouve la table des matières (généralement pages 2-5)")
|
|
|
|
|
|
class DocumentMetadata(BaseModel):
|
|
"""Métadonnées enrichies du document."""
|
|
title: str = Field(..., description="Titre complet du document")
|
|
author: str = Field(..., description="Auteur principal du document")
|
|
languages: List[str] = Field(..., description="Liste des langues présentes dans le document (codes ISO 639-1, ex: ['fr', 'en'])")
|
|
summary: str = Field(..., description="Résumé du document en 2-3 phrases maximum")
|
|
collection: Optional[str] = Field(None, description="Nom de la collection ou série éditoriale")
|
|
publisher: Optional[str] = Field(None, description="Nom de l'éditeur")
|
|
year: Optional[int] = Field(None, description="Année de publication")
|
|
total_pages: int = Field(..., description="Nombre total de pages dans le document")
|
|
toc: DocumentTOC = Field(..., description="Table des matières structurée avec hiérarchie et numéros de page réels")
|