Projet de Traitement et Extraction de Données à partir de PDFs avec OCR

Ce projet permet de convertir des fichiers PDF en images, définir des structures de zones à analyser, réaliser l'extraction de texte via OCR, et visualiser ou sauvegarder les résultats. Il s'appuie sur plusieurs bibliothèques Python pour la manipulation d'images, l'OCR, et la gestion de données.

Fonctionnalités principales

• Conversion de PDF en images (pages).

• Définition et sauvegarde de structures de zones ("layout") pour l'extraction ciblée.

• Visualisation des zones de detection sur les images.

• Extraction automatique de texte par OCR dans ces zones.

• Enregistrement des données extraites dans des fichiers JSON.

• Gestion de structures différentes selon les besoins (ex. structures pour différents formulaires).

Technologies utilisées

• pdf2image: Conversion des PDFs en images.

• Matplotlib: Visualisation des images et délimitations.

• Pillow, fork de PIL: Manipulation d’images et recadrage.

• PyTesseract: Extraction de texte par OCR.

• json: Gestion des fichiers de configuration et résultats.

Fonctionnement

1. Chargement du PDF

Le script charge un fichier PDF et le convertit en une liste d'images de pages.

2. Définition de la structure

On définit une structure ("layout") précisant les zones d'intérêt (coordonnées, couleurs, labels).

3. Visualisation

La zone de chaque structure peut être visualisée sur l’image avec des rectangles superposés.

4. Extraction de texte via OCR

Pour chaque zone, le script effectue une coupe (crop) sur l’image, puis applique Tesseract pour extraire le texte.

5. Enregistrement des résultats

Les textes extraits sont stockés dans des fichiers JSON structurés pour traitement ultérieur.

Prérequis

• Python 3.x

• Tesseract-OCR

• Librairies Python :

pip install pdf2image matplotlib pillow pytesseract pandas

Script principal

1. Charger le PDF

from pdf2image import convert_from_path images = convert_from_path('chemin/vers/votre.pdf')

2. Définir une structure

struct = [
{
'boxes': [
{'x': 80, 'y': 2370, 'w': 370, 'h': 130, 'c': 'r', 'col': 'Date'},
# autres zones...
],
'decal': 385
}
]

3. Visualiser une zone

import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

page_num = 2
image = images[page_num - 1]
group = struct[0]['boxes']

fig, ax = plt.subplots(figsize=(10,10))
ax.imshow(image)
for box in group:
rect = Rectangle((box['x'], box['y']), box['w'], box['h'], linewidth=1, edgecolor=box['c'], facecolor='none')
ax.add_patch(rect)
plt.show()

4. Extraction OCR dans une zone

from PIL import Image
import pytesseract

cropped = image.crop((box['x'], box['y'], box['x'] + box['w'], box['y'] + box['h']))
text = pytesseract.image_to_string(cropped)
print(f"{box['col']} : {text}")

5. Sauvegarder les résultats

import json
data = [{'col': box['col'], 'text': text} for box in group]
with open('resultats.json', 'w') as f:
json.dump(data, f, ensure_ascii=False, indent=4)

Structure du projet

• pdfs/ : Dossier contenant les fichiers PDF

• structures/ : Dossier de sauvegarde des structures JSON

• dataout/ : Dossier des fichiers JSON de sortie

• main.py : Script principal intégrant toutes les étapes

Personnalisation

• Modifier les paramètres dans la structure pour s’adapter à différents documents.

• Ajuster les coordonnées des zones selon les documents spécifiques.

• Ajouter ou modifier des processus pour automatiser le traitement de plusieurs pages.