Passport parser in progress

utils/parsers/account_parser.py

@@ -1,22 +1,38 @@
 import base64
-from pdf2image import convert_from_bytes
-import pytesseract
-
+import pymupdf
 
 def process_account(account_b64: str) -> str:
     """
     Traite l'account :
     - Décodage du PDF encodé en base64.
-    - Conversion de chaque page du PDF en image.
-    - Application de l'OCR sur chaque image pour extraire le texte.
+    - Extraction du texte et des champs de formulaire directement depuis le PDF.
 
     :param account_b64: Chaîne base64 représentant le PDF.
-    :return: Texte extrait de chaque page du PDF.
+    :return: Texte extrait de chaque page du PDF, incluant les champs du formulaire.
     """
+    # Décodage du PDF en base64
     pdf_bytes = base64.b64decode(account_b64)
-    images = convert_from_bytes(pdf_bytes)
-    pages_text = []
-    for i, image in enumerate(images):
-        text = pytesseract.image_to_string(image, lang="eng")
-        pages_text.append(f"--- Page {i + 1} ---\n{text}")
-    return "\n".join(pages_text)
+
+    # Ouverture du PDF avec PyMuPDF
+    pdf_document = pymupdf.open(stream=pdf_bytes, filetype="pdf")
+
+    # Traitement de chaque page
+    for i in range(len(pdf_document)):
+        page = pdf_document[i]
+
+        # Extraction des champs de formulaire
+        fields = page.widgets()
+        form_fields_text = []
+
+        for field in fields:
+            field_name = field.field_name
+            field_value = field.field_value
+            form_fields_text.append(f"Field: {field_name}, Value: {field_value}")
+
+        combined_text = ""
+
+        if form_fields_text:
+            combined_text += "\n\nForm Fields:\n" + "\n".join(form_fields_text)
+
+    pdf_document.close()
+    return "\n".join(combined_text)

utils/parsers/passport_parser.py

@@ -1,8 +1,10 @@
 import base64
 import io
+from tempfile import NamedTemporaryFile
 from PIL import Image
 import pytesseract
-
+from passporteye import read_mrz
+import json
 
 def process_passport(passport_b64: str) -> str:
     """
@@ -14,6 +16,12 @@ def process_passport(passport_b64: str) -> str:
     :return: Texte extrait de l'image.
     """
     image_bytes = base64.b64decode(passport_b64)
-    image = Image.open(io.BytesIO(image_bytes))
-    text = pytesseract.image_to_string(image, lang='eng')
+    # image = Image.open(io.BytesIO(image_bytes))
+    # text = pytesseract.image_to_string(image, lang='eng')
+    with NamedTemporaryFile(mode="wb") as tmp_img:
+        tmp_img.write(image_bytes)
+        with open(tmp_img.name, "rb") as read_img:
+            text = read_mrz(read_img)
+    # text = json.dumps(text)
+    # TODO CONTINUE
     return text