traduction paragraphes par paragraphes

main.py

@@ -30,6 +30,43 @@ def extract_text_from_pdf(pdf_path):
             text_by_page.append(text)
     return text_by_page
 
+def merge_paragraphs_across_pages(pages_text):
+    """Divise le texte en chunks raisonnables pour la traduction."""
+    import re
+    
+    # Concatène tout le texte
+    full_text = "\n".join(pages_text)
+    
+    # Essaie d'abord de diviser par les doubles sauts de ligne
+    paragraphs = re.split(r'\n\s*\n+', full_text.strip())
+    
+    # Si on obtient seulement un paragraphe, on divise par une taille maximale
+    if len(paragraphs) == 1:
+        print("Aucune séparation par double saut de ligne détectée. Division par taille...")
+        # Divise par les phrases (points suivis d'un espace)
+        sentences = re.split(r'(?<=[.!?])\s+', full_text.strip())
+        
+        # Regroupe les phrases en chunks d'environ 1500 caractères
+        max_chunk_size = 1500
+        paragraphs = []
+        current_chunk = ""
+        
+        for sentence in sentences:
+            if len(current_chunk) + len(sentence) < max_chunk_size:
+                current_chunk += (" " + sentence) if current_chunk else sentence
+            else:
+                if current_chunk:
+                    paragraphs.append(current_chunk)
+                current_chunk = sentence
+        
+        if current_chunk:
+            paragraphs.append(current_chunk)
+    else:
+        # Normalise les sauts de ligne internes
+        paragraphs = [re.sub(r'\n+', ' ', p.strip()) for p in paragraphs if p.strip()]
+    
+    return paragraphs
+
 def send_to_ollama(prompt, model=OLLAMA_MODEL, context_size=128000):
     """Envoie une requête à Ollama et retourne la réponse."""
     payload = {
@@ -120,26 +157,28 @@ def create_pdf_from_results(results, output_path):
     print(f"PDF généré avec succès : {output_path}")
 
 def main():
-    # Extraction du texte
+    # Extraction du texte page par page
     pages = extract_text_from_pdf(PDF_PATH)
     print(f"Nombre de pages extraites : {len(pages)}")
+    
+    # Fusion des paragraphes qui s'étendent sur plusieurs pages
+    paragraphs = merge_paragraphs_across_pages(pages)
+    print(f"Nombre de paragraphes complets extraits : {len(paragraphs)}")
 
     # Dictionnaire pour stocker les résultats
     results = {}
     
-    # Traitement page par page
+    # Traitement des paragraphes complets
-    for i, page_text in enumerate(pages, start=1):
+    for i, paragraph_text in enumerate(paragraphs, start=1):
-        if( i > 2)  :  # Limite le nombre de pages pour les tests
+        print(f"{15 * '-'} Traduction du paragraphe {i}/{len(paragraphs)}...\n{paragraph_text}\n")
-            break
+        prompt = f"Traduis le texte suivant de l'ukrainien vers le français : {paragraph_text}"
-        print(f"{15 * '-'} Traduction de la page {i}/{len(pages)}...")
-        prompt = f"Traduis le texte suivant de l'ukrainien vers le français : {page_text}"
         try:
             result = send_to_ollama(prompt)
             print(f"{result}.")
             results[i] = result
         except Exception as e:
-            print(f"Erreur lors du traitement de la page {i} : {e}")
+            print(f"Erreur lors du traitement du paragraphe {i} : {e}")
-            results[i] = f"Erreur lors du traitement de la page {i} : {e}"
+            results[i] = f"Erreur lors du traitement du paragraphe {i} : {e}"
     
     # Création du PDF avec tous les résultats
     create_pdf_from_results(results, OUTPUT_PDF_PATH)