"""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