add utils parsers

utils/parsers/__init__.py

@@ -0,0 +1,9 @@
+from .passport_parser import process_passport
+from .profile_parser import process_profile
+from .account_parser import process_account
+
+__all__ = [
+    "process_passport",
+    "process_profile",
+    "process_account"
+]

utils/parsers/account_parser.py

@@ -0,0 +1,22 @@
+import base64
+from pdf2image import convert_from_bytes
+import pytesseract
+
+
+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.
+
+    :param account_b64: Chaîne base64 représentant le PDF.
+    :return: Texte extrait de chaque page du PDF.
+    """
+    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)

utils/parsers/passport_parser.py

@@ -0,0 +1,19 @@
+import base64
+import io
+from PIL import Image
+import pytesseract
+
+
+def process_passport(passport_b64: str) -> str:
+    """
+    Traite le passport :
+    - Décodage de l'image en base64.
+    - Application de l'OCR pour extraire le texte.
+
+    :param passport_b64: Chaîne base64 représentant l'image du passport.
+    :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')
+    return text

utils/parsers/profile_parser.py

@@ -0,0 +1,64 @@
+import base64
+import io
+import zipfile
+import xml.etree.ElementTree as ET
+
+
+def process_profile(profile_b64: str) -> str:
+    """
+    Traite le profile :
+    - Décodage du fichier DOCX (archive ZIP) encodé en base64.
+    - Extraction du document XML (word/document.xml).
+    - Utilisation du fichier word/styles.xml pour appliquer la mise en forme du texte (titres).
+
+    :param profile_b64: Chaîne base64 représentant le document DOCX.
+    :return: Texte structuré extrait du document.
+    """
+    profile_bytes = base64.b64decode(profile_b64)
+    zip_file = zipfile.ZipFile(io.BytesIO(profile_bytes))
+
+    document_path = "word/document.xml"
+    styles_path = "word/styles.xml"
+    result_lines = []
+    style_map = {}
+
+    # Construction de la carte des styles
+    if styles_path in zip_file.namelist():
+        styles_xml = zip_file.read(styles_path)
+        styles_tree = ET.fromstring(styles_xml)
+        ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
+        for style in styles_tree.findall(".//w:style", ns):
+            style_id = style.attrib.get(f"{{{ns['w']}}}styleId")
+            name_elem = style.find("w:name", ns)
+            if name_elem is not None:
+                style_name = name_elem.attrib.get(f"{{{ns['w']}}}val", "")
+                style_map[style_id] = style_name
+
+    # Extraction du document principal
+    if document_path in zip_file.namelist():
+        document_xml = zip_file.read(document_path)
+        tree = ET.fromstring(document_xml)
+        ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
+        for para in tree.findall(".//w:p", ns):
+            texts = [node.text for node in para.findall(".//w:t", ns) if node.text]
+            if not texts:
+                continue
+            full_text = " ".join(texts).strip()
+            p_style = para.find(".//w:pStyle", ns)
+            if p_style is not None:
+                style_id = p_style.attrib.get(f"{{{ns['w']}}}val")
+                style_name = style_map.get(style_id, "")
+                if "Heading1" in style_name:
+                    result_lines.append(f"\n# {full_text}\n")
+                elif "Heading2" in style_name:
+                    result_lines.append(f"\n## {full_text}\n")
+                elif "Heading3" in style_name:
+                    result_lines.append(f"\n### {full_text}\n")
+                else:
+                    result_lines.append(full_text)
+            else:
+                result_lines.append(full_text)
+    else:
+        result_lines.append("Fichier 'word/document.xml' introuvable dans le profile.")
+
+    return "\n".join(result_lines)