100 lines
3.8 KiB
Python
100 lines
3.8 KiB
Python
"""Du texte d'un PDF (sortie de `pdftotext`, sans `-layout`) ou d'un Markdown aux extraits de la base de connaissances
|
|||
|
|
de LibreDesk ; écriture et lecture du corpus (un fichier Markdown par extrait)."""
|
||
|
|
import re
|
||
|
|
import unicodedata
|
||
|
|
from dataclasses import dataclass
|
||
|
|
from pathlib import Path
|
||
|
|
|
||
|
|
ENTREE = re.compile(r"(.+?)\s*(?:\.\s?){3,}\s*(\d+)") # « titre . . . . page » de la table des matières
|
||
|
|
PUCE = re.compile(r"\s*�\s*")
|
||
|
|
|
||
|
|
|
||
|
|
def slug(titre: str) -> str:
|
||
|
|
sans_accents = unicodedata.normalize("NFKD", titre).encode("ascii", "ignore").decode()
|
||
|
|
return re.sub(r"-+", "-", re.sub(r"[^a-z0-9]", "-", sans_accents.lower())).strip("-")
|
||
|
|
|
||
|
|
|
||
|
|
@dataclass(frozen=True)
|
||
|
|
class Extrait:
|
||
|
|
titre: str
|
||
|
|
contenu: str
|
||
|
|
source: str
|
||
|
|
|
||
|
|
@property
|
||
|
|
def cle(self) -> str:
|
||
|
|
return slug(self.titre) + ".md"
|
||
|
|
|
||
|
|
|
||
|
|
def _table_des_matieres(lignes: list[str]) -> tuple[list[str], int]:
|
||
|
|
"""Les titres de la table des matières et l'indice de sa dernière ligne. Un titre peut continuer sur la ligne
|
||
|
|
suivante, et plusieurs entrées peuvent être collées sur une ligne."""
|
||
|
|
titres, debut, fin = [], "", -1
|
||
|
|
for i, ligne in enumerate(lignes):
|
||
|
|
entrees = list(ENTREE.finditer(ligne))
|
||
|
|
if not entrees:
|
||
|
|
if fin >= 0 or titres:
|
||
|
|
debut = f"{debut} {ligne.strip()}".strip()
|
||
|
|
continue
|
||
|
|
for k, m in enumerate(entrees):
|
||
|
|
titre = m.group(1).strip()
|
||
|
|
if k == 0 and debut:
|
||
|
|
titre = f"{debut} {titre}"
|
||
|
|
titres.append(" ".join(titre.split()))
|
||
|
|
debut, fin = ligne[entrees[-1].end():].strip(), i
|
||
|
|
return titres, fin
|
||
|
|
|
||
|
|
|
||
|
|
def decouper_pdf(texte: str, parasites: list[str], source: str = "") -> list[Extrait]:
|
||
|
|
"""Un extrait par entrée de la table des matières qui a un corps ; les titres de chapitre (sans corps) n'en donnent
|
||
|
|
pas."""
|
||
|
|
lignes = texte.splitlines()
|
||
|
|
titres, fin = _table_des_matieres(lignes)
|
||
|
|
connus = set(titres)
|
||
|
|
sections: list[tuple[str, list[str]]] = []
|
||
|
|
for ligne in lignes[fin + 1:]:
|
||
|
|
nette = ligne.strip()
|
||
|
|
if nette in parasites or re.fullmatch(r"\d+", nette):
|
||
|
|
continue
|
||
|
|
if nette in connus:
|
||
|
|
sections.append((nette, []))
|
||
|
|
elif sections and nette:
|
||
|
|
sections[-1][1].append(nette)
|
||
|
|
extraits = []
|
||
|
|
for titre, corps in sections:
|
||
|
|
contenu = PUCE.sub("\n- ", "\n".join(corps)).strip()
|
||
|
|
if contenu:
|
||
|
|
extraits.append(Extrait(titre, contenu, source))
|
||
|
|
return extraits
|
||
|
|
|
||
|
|
|
||
|
|
def decouper_markdown(texte: str, source: str, max_car: int = 6000) -> list[Extrait]:
|
||
|
|
"""Un extrait par fichier ; au-delà de `max_car`, un par section `## `."""
|
||
|
|
lignes = texte.strip().splitlines()
|
||
|
|
if lignes and lignes[0].startswith("# "):
|
||
|
|
titre, corps = lignes[0][2:].strip(), "\n".join(lignes[1:]).strip()
|
||
|
|
else:
|
||
|
|
titre, corps = Path(source).stem, "\n".join(lignes).strip()
|
||
|
|
if len(corps) <= max_car:
|
||
|
|
return [Extrait(titre, corps, source)]
|
||
|
|
sections: list[tuple[str, list[str]]] = [(titre, [])]
|
||
|
|
for ligne in corps.splitlines():
|
||
|
|
if ligne.startswith("## "):
|
||
|
|
sections.append((f"{titre} — {ligne[3:].strip()}", []))
|
||
|
|
else:
|
||
|
|
sections[-1][1].append(ligne)
|
||
|
|
return [Extrait(t, "\n".join(c).strip(), source) for t, c in sections if "\n".join(c).strip()]
|
||
|
|
|
||
|
|
|
||
|
|
def ecrire_corpus(extraits: list[Extrait], dossier: Path) -> None:
|
||
|
|
dossier.mkdir(parents=True, exist_ok=True)
|
||
|
|
for e in extraits:
|
||
|
|
(dossier / e.cle).write_text(f"# {e.titre}\n\n{e.contenu}\n\nSource : {e.source}\n")
|
||
|
|
|
||
|
|
|
||
|
|
def lire_corpus(dossier: Path) -> list[Extrait]:
|
||
|
|
extraits = []
|
||
|
|
for f in sorted(dossier.glob("*.md")):
|
||
|
|
tete, reste = f.read_text().rstrip("\n").split("\n\n", 1)
|
||
|
|
contenu, source = reste.rsplit("\n\nSource : ", 1)
|
||
|
|
extraits.append(Extrait(tete.removeprefix("# ").strip(), contenu.strip(), source.strip()))
|
||
|
|
return extraits
|