meilleurs gestion des paragraphes

main.py

@@ -129,7 +129,7 @@ def extract_text_from_pdf(pdf_path):
             text_by_page.append(text)
     return text_by_page
 
-def merge_paragraphs_across_pages(pages_text):
+def split_pages_in_paragraphs(pages_text):
     """
     Divise le texte en paragraphes en détectant un point suivi d'un saut de ligne ou d'un retour à la ligne.
     Conserve les sauts de ligne à l'intérieur des paragraphes.
@@ -139,11 +139,15 @@ def merge_paragraphs_across_pages(pages_text):
     # Concatène tout le texte
     full_text = "\n".join(pages_text)
 
-    # Divise le texte en paragraphes : un point suivi d'un saut de ligne ou d'un retour à la ligne
+    # Remplace les sauts de ligne à l'intérieur des paragraphes par des espaces
+    # (pour éviter les sauts de ligne intempestifs dans un même paragraphe)
+    full_text = re.sub(r'(?<![.!?])\n+(?![.!?])', ' ', full_text)
+
+    # Divise le texte en paragraphes : un point suivi d'un saut de ligne
     paragraphs = re.split(r'(?<=[.!?])\s*\n+', full_text.strip())
 
-    # Conserve les sauts de ligne à l'intérieur des paragraphes
-    paragraphs = [p.strip() for p in paragraphs if p.strip()]
+    # Nettoie chaque paragraphe : remplace les sauts de ligne restants par des espaces
+    paragraphs = [re.sub(r'\s+', ' ', p).strip() for p in paragraphs if p.strip()]
 
     return paragraphs
 
@@ -234,7 +238,7 @@ def create_pdf_from_results(results, output_path):
         # Préserver la mise en page en convertissant les sauts de ligne
         formatted_text = translation.replace("\n", "<br/>")
         story.append(Paragraph(formatted_text, body_style))
-        story.append(Spacer(1, 0.1*inch))
+        # story.append(Spacer(1, 0.1*inch))
     
     # Infos sur le LLM
     story.append(Spacer(1, 0.2*inch))
@@ -253,7 +257,7 @@ def main():
     print(f"Nombre de pages extraites : {len(pages)}")
     
     # Fusion des paragraphes qui s'étendent sur plusieurs pages
-    paragraphs = merge_paragraphs_across_pages(pages)
+    paragraphs = split_pages_in_paragraphs(pages)
     print(f"Nombre de paragraphes complets extraits : {len(paragraphs)}")
 
     # Dictionnaire pour stocker les résultats