Skip to content
GitLab
Explorer
Connexion
Navigation principale
Rechercher ou aller à…
Projet
Attrap
Gestion
Activité
Membres
Labels
Programmation
Tickets
Tableaux des tickets
Jalons
Wiki
Code
Requêtes de fusion
Dépôt
Branches
Validations
Étiquettes
Graphe du dépôt
Comparer les révisions
Compilation
Pipelines
Jobs
Planifications de pipeline
Artéfacts
Déploiement
Releases
Registre de paquets
Registre de conteneur
Opération
Modules Terraform
Aide
Aide
Support
Documentation de GitLab
Comparer les forfaits GitLab
Forum de la communauté
Contribuer à GitLab
Donner votre avis
Conditions générales et politique de confidentialité
Raccourcis clavier
?
Extraits de code
Groupes
Projets
Afficher davantage de fils d'Ariane
olivain
Attrap
Validations
c05431d4
Valider
c05431d4
rédigé
il y a 11 mois
par
Bastien Le Querrec
Parcourir les fichiers
Options
Téléchargements
Correctifs
Plain Diff
RAAspotter: supprime les formulaires avant OCRisation
parent
06685497
Aucune branche associée trouvée
Branches contenant la validation
Aucune étiquette associée trouvée
Aucune requête de fusion associée trouvée
Modifications
1
Masquer les modifications d'espaces
En ligne
Côte à côte
Affichage de
1 fichier modifié
RAAspotter.py
+23
-4
23 ajouts, 4 suppressions
RAAspotter.py
avec
23 ajouts
et
4 suppressions
RAAspotter.py
+
23
−
4
Voir le fichier @
c05431d4
...
...
@@ -22,6 +22,8 @@ from bs4 import BeautifulSoup
from
pyvirtualdisplay
import
Display
from
pypdf
import
PdfReader
from
pypdf
import
PdfWriter
from
pypdf.generic
import
NameObject
,
NumberObject
from
stem
import
Signal
from
stem.control
import
Controller
...
...
@@ -88,6 +90,7 @@ class RAAspotter:
# Supprime le PDF d'origine et la version OCRisée
os
.
remove
(
f
'
{
raa_data_dir
}{
self
.
get_sha256
()
}
.pdf
'
)
os
.
remove
(
f
'
{
raa_data_dir
}{
self
.
get_sha256
()
}
.ocr.pdf
'
)
os
.
remove
(
f
'
{
raa_data_dir
}{
self
.
get_sha256
()
}
.flat.pdf
'
)
def
write_properties
(
self
,
data_dir
):
raa_data_dir
=
f
'
{
data_dir
}
/raa/
'
...
...
@@ -112,10 +115,9 @@ class RAAspotter:
f
.
write
(
json
.
dumps
(
properties
))
f
.
close
()
def
parse
(
self
,
data_dir
,
not_before
,
keywords
):
def
parse
_metadata
(
self
,
data_dir
):
self
.
get_pdf_dates
(
data_dir
)
self
.
write_properties
(
data_dir
)
self
.
extract_content
(
data_dir
)
def
__init__
(
self
,
data_dir
,
user_agent
=
''
):
logger
.
debug
(
'
Initialisation de RAAspotter
'
)
...
...
@@ -425,7 +427,7 @@ class RAAspotter:
'
--skip-big
'
,
'
500
'
,
'
--invalidate-digital-signatures
'
,
'
--optimize
'
,
'
0
'
,
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.pdf
'
,
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.
flat.
pdf
'
,
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.ocr.pdf
'
]
logger
.
debug
(
f
'
Lancement de ocrmypdf:
{
cmd
}
'
)
...
...
@@ -442,6 +444,21 @@ class RAAspotter:
logger
.
warning
(
'
ATTENTION : Impossible d
\'
OCRiser le document
'
,
exc
.
returncode
,
exc
.
output
)
shutil
.
copy
(
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.pdf
'
,
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.ocr.pdf
'
)
def
flatten_pdf
(
self
,
raa
):
# OCRmyPDF ne sait pas gérer les formulaires, donc on les enlève avant OCRisation
reader
=
PdfReader
(
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.pdf
'
)
writer
=
PdfWriter
()
for
page
in
reader
.
pages
:
if
page
.
get
(
'
/Annots
'
):
for
annot
in
page
.
get
(
'
/Annots
'
):
writer_annot
=
annot
.
get_object
()
writer_annot
.
update
({
NameObject
(
"
/Ff
"
):
NumberObject
(
1
)
})
writer
.
add_page
(
page
)
writer
.
write
(
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.flat.pdf
'
)
def
search_keywords
(
self
,
raa
,
keywords
):
text
=
open
(
f
'
{
self
.
data_dir
}
/raa/
{
raa
.
get_sha256
()
}
.txt
'
).
read
()
...
...
@@ -477,8 +494,10 @@ class RAAspotter:
url
=
quote
(
raa
.
url
,
safe
=
'
/:
'
)
logger
.
info
(
f
'
Nouveau fichier :
{
raa
.
name
}
(
{
raa
.
date_str
}
). URL :
{
url
}
'
)
self
.
download_file
(
raa
)
raa
.
parse_metadata
(
self
.
data_dir
)
self
.
flatten_pdf
(
raa
)
self
.
ocr
(
raa
,
True
)
raa
.
parse
(
self
.
data_dir
,
self
.
not_before
,
keywords
)
raa
.
extract_content
(
self
.
data_dir
)
self
.
search_keywords
(
raa
,
keywords
)
def
get_raa
(
self
,
page_content
):
...
...
Ce diff est replié.
Cliquez pour l'agrandir.
Aperçu
0%
Chargement en cours
Veuillez réessayer
ou
joindre un nouveau fichier
.
Annuler
You are about to add
0
people
to the discussion. Proceed with caution.
Terminez d'abord l'édition de ce message.
Enregistrer le commentaire
Annuler
Veuillez vous
inscrire
ou vous
se connecter
pour commenter