David Blanc Brioir
9e4108def1
Modifications:
- flask_app.py:
* Ajout de "docx" dans ALLOWED_EXTENSIONS
* Nouvelle fonction run_word_processing_job() avec:
- Gestion tempfile pour python-docx (besoin d'un path)
- Intégration du callback de progression SSE
- Nettoyage automatique du fichier temporaire
* Modification upload() route:
- Détection du type de fichier (PDF/Word)
- Routage vers le bon processeur (run_processing_job vs run_word_processing_job)
- Messages d'erreur adaptés pour PDF et Word
* Mise à jour des docstrings
- templates/upload.html:
* Titre: "Parser PDF/Word/Markdown" (au lieu de PDF/Markdown)
* Accept attribute: ".pdf,.docx,.md"
* Tooltips: Explique que Word n'a pas besoin d'OCR
* Pipeline de traitement: Section séparée pour PDF vs Word
* Labels mis à jour pour inclure Word
Fonctionnalités:
✅ Upload de fichiers .docx via interface web
✅ Traitement en arrière-plan avec SSE
✅ Pas d'OCR nécessaire pour Word (économie ~0.003€/page)
✅ Réutilisation complète des modules LLM existants
✅ Extraction directe via python-docx
✅ Construction TOC depuis styles Heading 1-9
🤖 Generated with [Claude Code](https://claude.com/claude-code)
Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>
187 lines
9.4 KiB
HTML
187 lines
9.4 KiB
HTML
{% extends "base.html" %}
|
|
|
|
{% block title %}Upload Document{% endblock %}
|
|
|
|
{% block content %}
|
|
<section class="section">
|
|
<h1>📄 Parser PDF/Word/Markdown</h1>
|
|
<p class="lead">Uploadez un fichier PDF, Word (.docx) ou Markdown pour l'analyser et structurer son contenu</p>
|
|
|
|
{% if error %}
|
|
<div class="alert alert-warning">
|
|
<strong>Erreur :</strong> {{ error }}
|
|
</div>
|
|
{% endif %}
|
|
|
|
<div class="search-box">
|
|
<form method="post" enctype="multipart/form-data">
|
|
<div class="form-group">
|
|
<label class="form-label" for="file">Fichier PDF, Word ou Markdown</label>
|
|
<input
|
|
type="file"
|
|
name="file"
|
|
id="file"
|
|
class="form-control"
|
|
accept=".pdf,.docx,.md"
|
|
required
|
|
>
|
|
<div class="caption mt-1">Taille maximale : 50 MB</div>
|
|
<div class="caption" style="color: var(--color-accent); margin-top: 0.25rem;">
|
|
💡 PDF: Pour retester sans refaire l'OCR payant, cochez "Skip OCR"
|
|
<br>💡 Word: Pas d'OCR nécessaire (extraction directe du contenu)
|
|
</div>
|
|
</div>
|
|
|
|
<div class="form-row mt-3">
|
|
<div class="form-group">
|
|
<label class="form-label">Options</label>
|
|
<div style="display: flex; flex-direction: column; gap: 0.5rem;">
|
|
<div style="display: flex; align-items: center; gap: 0.5rem;">
|
|
<input
|
|
type="checkbox"
|
|
name="skip_ocr"
|
|
id="skip_ocr"
|
|
style="width: auto;"
|
|
>
|
|
<label for="skip_ocr" style="margin: 0; font-size: 0.95rem; text-transform: none; letter-spacing: 0;">
|
|
⚡ Skip OCR (réutiliser markdown existant)
|
|
</label>
|
|
</div>
|
|
<div style="display: flex; align-items: center; gap: 0.5rem;">
|
|
<input
|
|
type="checkbox"
|
|
name="use_llm"
|
|
id="use_llm"
|
|
checked
|
|
style="width: auto;"
|
|
>
|
|
<label for="use_llm" style="margin: 0; font-size: 0.95rem; text-transform: none; letter-spacing: 0;">
|
|
Activer la structuration LLM (Ollama)
|
|
</label>
|
|
</div>
|
|
<div style="display: flex; align-items: center; gap: 0.5rem;">
|
|
<input
|
|
type="checkbox"
|
|
name="ingest_weaviate"
|
|
id="ingest_weaviate"
|
|
checked
|
|
style="width: auto;"
|
|
>
|
|
<label for="ingest_weaviate" style="margin: 0; font-size: 0.95rem; text-transform: none; letter-spacing: 0;">
|
|
Insérer dans Weaviate (vectorisation)
|
|
</label>
|
|
</div>
|
|
</div>
|
|
</div>
|
|
<div class="form-group">
|
|
<label class="form-label" for="llm_provider">Provider LLM</label>
|
|
<select name="llm_provider" id="llm_provider" class="form-control" onchange="updateModelOptions()">
|
|
<option value="mistral" selected>⚡ Mistral API (rapide)</option>
|
|
<option value="ollama">🖥️ Ollama (local, lent)</option>
|
|
</select>
|
|
</div>
|
|
<div class="form-group">
|
|
<label class="form-label" for="llm_model">Modèle LLM</label>
|
|
<select name="llm_model" id="llm_model" class="form-control">
|
|
<!-- Options Mistral API -->
|
|
<option value="mistral-small-latest" selected>mistral-small (rapide, économique)</option>
|
|
<option value="mistral-medium-latest">mistral-medium (équilibré)</option>
|
|
<option value="mistral-large-latest">mistral-large (puissant)</option>
|
|
</select>
|
|
</div>
|
|
<script>
|
|
function updateModelOptions() {
|
|
const provider = document.getElementById('llm_provider').value;
|
|
const modelSelect = document.getElementById('llm_model');
|
|
|
|
if (provider === 'mistral') {
|
|
modelSelect.innerHTML = `
|
|
<option value="mistral-small-latest" selected>mistral-small (rapide, économique)</option>
|
|
<option value="mistral-medium-latest">mistral-medium (équilibré)</option>
|
|
<option value="mistral-large-latest">mistral-large (puissant)</option>
|
|
`;
|
|
} else {
|
|
modelSelect.innerHTML = `
|
|
<option value="qwen2.5:7b" selected>qwen2.5:7b (recommandé)</option>
|
|
<option value="qwen2.5:14b">qwen2.5:14b</option>
|
|
<option value="llama3.2:3b">llama3.2:3b (rapide)</option>
|
|
<option value="mistral:7b">mistral:7b</option>
|
|
`;
|
|
}
|
|
}
|
|
</script>
|
|
</div>
|
|
|
|
<!-- Options Extraction TOC améliorée -->
|
|
<div class="card mt-4" style="border-left: 3px solid #4CAF50;">
|
|
<h4 style="color: #4CAF50;">📑 Extraction TOC améliorée (Recommandé)</h4>
|
|
<p style="font-size: 0.9rem; color: #666;">
|
|
Analyse l'indentation du texte pour détecter automatiquement la hiérarchie de la table des matières.
|
|
<br><strong style="color: #4CAF50;">✅ Fiable, rapide et sans coût supplémentaire</strong>
|
|
</p>
|
|
<div style="display: flex; align-items: center; gap: 0.5rem; margin-top: 1rem;">
|
|
<input
|
|
type="checkbox"
|
|
name="use_ocr_annotations"
|
|
id="use_ocr_annotations"
|
|
style="width: auto;"
|
|
checked
|
|
>
|
|
<label for="use_ocr_annotations" style="margin: 0; font-size: 0.95rem; font-weight: 600;">
|
|
Activer l'analyse d'indentation pour la TOC
|
|
</label>
|
|
</div>
|
|
<div style="margin-top: 0.75rem; padding: 0.75rem; background: #f0f9f0; border-radius: 4px; font-size: 0.85rem;">
|
|
<strong>Fonctionnement :</strong> Détecte les niveaux hiérarchiques en comptant les espaces d'indentation dans la table des matières.
|
|
<br>
|
|
<em>Idéal pour les documents académiques avec TOC structurée.</em>
|
|
</div>
|
|
</div>
|
|
|
|
<div class="mt-3">
|
|
<button type="submit" class="btn btn-primary">
|
|
Analyser le document
|
|
</button>
|
|
</div>
|
|
</form>
|
|
</div>
|
|
|
|
<hr class="divider">
|
|
|
|
<div class="card">
|
|
<h3>📋 Pipeline de traitement</h3>
|
|
<div class="mt-2">
|
|
<p><strong>PDF:</strong></p>
|
|
<p style="margin-left: 1rem;">1. OCR Mistral — Extraction du texte et des images via l'API Mistral</p>
|
|
<p style="margin-left: 1rem;">2. Markdown — Construction du document Markdown avec images</p>
|
|
<p style="margin-left: 1rem;">3. Hiérarchie — Analyse des titres pour créer une structure arborescente</p>
|
|
<p style="margin-left: 1rem;">4. LLM (optionnel) — Amélioration de la structure via Ollama/Mistral</p>
|
|
|
|
<p class="mt-3"><strong>Word (.docx):</strong></p>
|
|
<p style="margin-left: 1rem;">1. Extraction Word — Lecture directe du contenu (pas d'OCR)</p>
|
|
<p style="margin-left: 1rem;">2. Markdown — Construction du document Markdown à partir des paragraphes</p>
|
|
<p style="margin-left: 1rem;">3. TOC — Extraction de la hiérarchie depuis les styles Heading 1-9</p>
|
|
<p style="margin-left: 1rem;">4. LLM — Structuration sémantique et enrichissement</p>
|
|
</div>
|
|
</div>
|
|
|
|
<div class="card mt-3">
|
|
<h3>📁 Fichiers générés</h3>
|
|
<div class="mt-2">
|
|
<ul style="list-style: none;">
|
|
<li class="mb-1"><span class="badge">document.md</span> Texte Markdown OCR</li>
|
|
<li class="mb-1"><span class="badge">document_chunks.json</span> Chunks hiérarchiques</li>
|
|
<li class="mb-1"><span class="badge">document_structured.json</span> Structure LLM</li>
|
|
<li class="mb-1"><span class="badge">document_ocr.json</span> Réponse OCR brute</li>
|
|
<li><span class="badge">images/</span> Images extraites</li>
|
|
</ul>
|
|
</div>
|
|
</div>
|
|
|
|
<div class="text-center mt-4">
|
|
<a href="/documents" class="btn">Voir les documents traités</a>
|
|
</div>
|
|
</section>
|
|
{% endblock %}
|
|
|