extractor.py

import os
import io
import json
import pdfplumber
from flask import Flask, request, jsonify

app = Flask(__name__)

# --- Fonction Principale d'Extraction ---
# !!! ATTENTION : Les paramètres de Bounding Box (bbox_offset_x, bbox_width, bbox_height) sont des estimations !!!
# !!! Ils devront être ajustés précisément pour chaque champ en fonction de la mise en page de VOTRE PDF !!!
def find_text_and_extract_value(page, label_text, bbox_offset_x=5, bbox_width=200, bbox_height=15, below_offset_y=0):
    """
    Trouve un libellé sur la page et extrait le texte dans une zone relative.

    Args:
        page: Objet page de pdfplumber.
        label_text: Le texte exact du libellé à rechercher.
        bbox_offset_x: Décalage horizontal (depuis la fin du libellé) pour démarrer la zone de valeur.
        bbox_width: Largeur de la zone de recherche de la valeur.
        bbox_height: Hauteur de la zone de recherche de la valeur.
        below_offset_y: Décalage vertical (depuis le bas du libellé) si la valeur est en dessous.

    Returns:
        Le texte extrait ou None si non trouvé.
    """
    try:
        # Recherche toutes les occurrences du libellé
        # words = page.extract_words(keep_blank_chars=True) # Moins fiable pour les phrases
        # Recherche basée sur le texte extrait, plus robuste pour les phrases/libellés
        full_text_search = page.search(label_text, case_sensitive=False) # Recherche insensible à la casse

        if not full_text_search:
            # print(f"Libellé non trouvé: '{label_text}'")
            return None

        # Prend la première occurrence trouvée (ou la plus pertinente si logique ajoutée)
        # Note: page.search renvoie un dict par occurrence trouvée
        match = full_text_search[0]
        label_x0, label_top, label_x1, label_bottom = match['x0'], match['top'], match['x1'], match['bottom']

        # Définir la zone de recherche pour la valeur
        # Si below_offset_y > 0, on cherche en dessous, sinon à droite
        if below_offset_y > 0:
             value_x0 = label_x0 # Commence à la même position x que le label
             value_top = label_bottom + below_offset_y
             value_x1 = label_x0 + bbox_width # Largeur définie
             value_bottom = value_top + bbox_height
        else:
            # Recherche à droite
            value_x0 = label_x1 + bbox_offset_x # Commence un peu après la fin du libellé
            value_top = label_top # Sur la même ligne verticale
            value_x1 = value_x0 + bbox_width
            value_bottom = label_bottom # Même hauteur que le libellé (ou value_top + bbox_height)

        # Créer la bounding box pour le crop
        value_bbox = (value_x0, value_top, value_x1, value_bottom)

        # Cropper la page pour isoler la zone de la valeur
        cropped_page = page.crop(value_bbox)

        # Extraire le texte de la zone croppée
        extracted_text = cropped_page.extract_text(x_tolerance=2, y_tolerance=2) # Tolérances pour mieux joindre les mots

        if extracted_text:
            # Nettoyer le texte (supprimer espaces superflus, retours à la ligne)
            cleaned_text = " ".join(extracted_text.split()).strip()
            # print(f"  -> Trouvé pour '{label_text}': '{cleaned_text}' dans bbox {value_bbox}")
            return cleaned_text
        else:
            # print(f"  -> Aucun texte trouvé pour '{label_text}' dans bbox {value_bbox}")
            return None

    except Exception as e:
        print(f"Erreur lors de la recherche/extraction pour '{label_text}': {e}")
        return None

# --- Mapping Libellés PDF vers Clés JSON ---
# !!! Ce mapping utilise les libellés exacts que vous avez fournis !!!
# !!! Les paramètres de bbox devront être ajustés pour chaque champ !!!
LABEL_MAPPING = {
    # Clé JSON                  : (Libellé exact dans le PDF, offset_x, width, height, offset_y) # offset_y > 0 pour chercher en dessous
    'entryDate'               : ("Date d’entrée en relation", 5, 100, 15, 0),
    'civility'                : ("Civilité", 5, 100, 15, 0),
    'fullName'                : ("Nom / prénom :", 5, 250, 15, 0), # Zone plus large pour nom+prénom
    'birthName'               : ("Nom de naissance", 5, 200, 15, 0),
    'birthDate'               : ("Né(e) le", 5, 100, 15, 0),
    'nationality'             : ("Nationalité", 5, 150, 15, 0),
    'protectionMeasure'       : ("Mesure de protection", 5, 150, 15, 0),
    'protectionDate'          : ("Date de la mesure", 5, 100, 15, 0),
    'address'                 : ("Adresse postale", 5, 300, 30, 2), # Cherche en dessous (offset_y=2) et plus large/haut
    'fiscalResidenceCountry'  : ("Pays de résidence fiscale", 5, 150, 15, 0), # Le premier ?
    'housingStatus'           : ("Logement", 5, 150, 15, 0),
    'note'                    : ("Note", 5, 400, 50, 2), # Zone large et haute en dessous
    'phoneHome'               : ("Domicile", 5, 150, 15, 0), # Section Téléphone
    'phoneMobile'             : ("Mobile", 5, 150, 15, 0), # Section Téléphone
    'phoneWork'               : ("Bureau", 5, 150, 15, 0), # Section Téléphone
    'email'                   : ("E-mail", 5, 250, 15, 0),
    'maritalStatus'           : ("Situation", 5, 150, 15, 0), # Section Situation familiale
    'maritalEventDate'        : ("Le", 5, 100, 15, 0), # Lequel ? Celui après Mariage/PACS/Divorce ? Préciser le libellé exact si possible
    'maritalRegime'           : ("Régime / Convention", 5, 200, 15, 0),
    'maritalAdvantage'        : ("Avantage matrimonial", 5, 200, 15, 0),
    'lastSurvivorGift'        : ("Donation au dernier vivant", 5, 100, 15, 0), # Section Dispositions...
    'sharedGift'              : ("Donation-partage", 5, 100, 15, 0),
    'otherGifts'              : ("Autres donations entre vifs", 5, 100, 15, 0),
    'specificLegacies'        : ("Legs particuliers", 5, 100, 15, 0),
    'universalLegacies'       : ("Legs universels", 5, 100, 15, 0),
    'otherDispositions'       : ("Autres dispositions", 5, 100, 15, 0),
    'additionalDetails'       : ("Précisions", 5, 300, 30, 2), # Lequel ? Celui après Dispositions ? Cherche en dessous
    'dependents'              : ("Personnes rattachées", 5, 300, 30, 2), # Cherche en dessous
    'children'                : ("Enfants", 5, 300, 30, 2), # Cherche en dessous
    'socioProfessionalCategory': ("Catégorie socio-professionnelle", 5, 200, 15, 0),
    'profession'              : ("Profession", 5, 200, 15, 0),
    'companyName'             : ("Nom de la société", 5, 200, 15, 0),
    'seniority'               : ("Ancienneté", 5, 100, 15, 0), # Laquelle ? Celle après Nom société ?
    'incomeSource'            : ("Origine des revenus", 5, 200, 15, 0),
    'jobDetails'              : ("Précisions", 5, 300, 30, 2), # Lequel ? Celui après Situation pro ? Cherche en dessous
    'regFiscalCountry'        : ("Pays de résidence fiscale", 5, 150, 15, 0), # Le deuxième ? Section Réglementaire ?
    'isUSPerson'              : ("Citoyen américain ou résident fiscal américain", 5, 50, 15, 0), # Probablement Oui/Non
    'tinCode'                 : ("Code TIN", 5, 150, 15, 0),
    'nifCode'                 : ("Code NIF", 5, 150, 15, 0),
    'isPPE'                   : ("Êtes-vous politiquement exposé(e)", 5, 50, 15, 0), # Probablement Oui/Non
    'ppePerson'               : ("Personne exposée", 5, 200, 15, 0),
    'ppeReason'               : ("Motif", 5, 200, 15, 0),
    'ppeCountry'              : ("Pays d’exercice du PPE", 5, 150, 15, 0),
    'ppeSeniority'            : ("Ancienneté", 5, 100, 15, 0), # Celle après PPE ?
    'precautionSavings'       : ("Épargne de précaution souhaitée", 5, 150, 15, 0),
    'objectives'              : ("Objectifs", 5, 400, 50, 2), # Zone large en dessous
    'savingsTotal'            : ("Épargne", 5, 150, 15, 0), # Lequel ? Total ?
    'shortTermSavings'        : ("Court terme", 5, 150, 15, 0),
    'livretA'                 : ("Livret A", 5, 150, 15, 0),
    'currentAccount'          : ("Compte courant", 5, 150, 15, 0),
    'longTermSavings'         : ("Long terme", 5, 150, 15, 0),
    'lifeInsurance'           : ("Assurance-vie", 5, 150, 15, 0),
    'assetsTotal'             : ("Total des actifs", 5, 150, 15, 0),
    'liabilitiesTotal'        : ("Total des passifs", 5, 150, 15, 0),
    'workIncome'              : ("Revenus d’activité", 5, 150, 15, 0),
    'salaries'                : ("Salaires", 5, 150, 15, 0),
    'totalIncome'             : ("Total des revenus", 5, 150, 15, 0),
    'totalExpenses'           : ("Total des charges", 5, 150, 15, 0),
    'debtRatio'               : ("Taux d’endettement", 5, 100, 15, 0),
    'taxYear'                 : ("IR acquitté en", 5, 100, 15, 0),
    'grossSalary'             : ("Total des salaires et assimilés", 5, 150, 15, 0),
    'marginalTaxRate'         : ("TMI IR", 5, 100, 15, 0),
    'grossIncome'             : ("Revenu brut global", 5, 150, 15, 0),
    'taxableIncome'           : ("Revenu imposable", 5, 150, 15, 0),
    'referenceIncome'         : ("Revenu fiscal de référence", 5, 150, 15, 0),
    'baseTaxAmount'           : ("Impôt soumis au barème", 5, 150, 15, 0),
    'fiscalParts'             : ("Nombre de parts fiscales", 5, 100, 15, 0),
    'discount'                : ("Décote", 5, 100, 15, 0),
    'netTaxBeforeAdjustment'  : ("Impôt net avant correction", 5, 150, 15, 0),
    'unusedRetirementAllowance': ("Plafond épargne retraite non utilisé", 5, 150, 15, 0),
    'taxReductions'           : ("Réductions d’impôt", 5, 150, 15, 0),
    'taxCredits'              : ("Crédits d’impôt", 5, 150, 15, 0),
    'carryForwardDeficit'     : ("Déficit foncier reportable", 5, 150, 15, 0),
    'netTaxAmount'            : ("Total de l’impôt net", 5, 150, 15, 0),
    'deductibleCSG'           : ("CSG déductible", 5, 150, 15, 0),
    'deductibleCharges'       : ("Charges déductibles", 5, 150, 15, 0),
    'socialContributions'     : ("Prélèvements sociaux", 5, 150, 15, 0),
    'builtProperties'         : ("Immeubles bâtis", 5, 150, 15, 0), # Section IFI
    'nonBuiltProperties'      : ("Immeubles non bâtis", 5, 150, 15, 0),
    'realEstateRights'        : ("Droits immobiliers", 5, 150, 15, 0),
    'deductibleDebts'         : ("Passifs déductibles", 5, 150, 15, 0),
    'ifiTaxBase'              : ("Base imposable", 5, 150, 15, 0), # IFI
    'ifiTaxRate'              : ("TMI IFI", 5, 100, 15, 0),
    'ifiReductions'           : ("Réductions IFI", 5, 150, 15, 0),
    'ifiToPay'                : ("IFI net à payer", 5, 150, 15, 0),
}


@app.route('/extract', methods=['POST'])
def extract_pdf_data():
    """
    Endpoint pour recevoir un PDF, extraire les données et renvoyer un JSON.
    """
    if 'file' not in request.files and not request.data:
        return jsonify({"error": "Aucun fichier PDF fourni"}), 400

    try:
        if 'file' in request.files:
             pdf_file = request.files['file']
             pdf_stream = io.BytesIO(pdf_file.read())
             print(f"Fichier reçu via 'file': {pdf_file.filename}")
        else:
             # Accepte les données binaires brutes dans le corps de la requête
             pdf_stream = io.BytesIO(request.data)
             print("Fichier reçu via request body (data)")


        extracted_data = {}
        with pdfplumber.open(pdf_stream) as pdf:
            # Traiter chaque page (ou juste la première si tout est sur une page)
            # Pour l'instant, on suppose que tout est sur la première page (index 0)
            if not pdf.pages:
                 return jsonify({"error": "Le PDF ne contient aucune page"}), 400

            page = pdf.pages[0]
            print(f"Traitement de la page 1 (dimensions: {page.width}x{page.height})")

            # Itérer sur le mapping pour extraire chaque champ
            for key, params in LABEL_MAPPING.items():
                label, offset_x, width, height, offset_y = params
                value = find_text_and_extract_value(page, label, offset_x, width, height, offset_y)
                extracted_data[key] = value if value is not None else "" # Mettre chaîne vide si non trouvé

        print("Extraction terminée.")
        # print("Données extraites:", json.dumps(extracted_data, indent=2)) # Pour débogage
        return jsonify(extracted_data), 200

    except pdfplumber.pdfminer.pdfdocument.PDFEncryptionError:
         print("Erreur: Le PDF est protégé par mot de passe.")
         return jsonify({"error": "Le PDF est protégé par mot de passe"}), 400
    except Exception as e:
        print(f"Erreur générale lors du traitement du PDF: {e}")
        # Tenter de donner une erreur plus spécifique si possible
        if "not a PDF file" in str(e).lower():
             return jsonify({"error": "Le fichier fourni n'est pas un PDF valide"}), 400
        return jsonify({"error": f"Erreur interne du serveur lors de l'extraction: {e}"}), 500

if __name__ == '__main__':
    # Récupérer le port depuis la variable d'environnement PORT, sinon 5001 par défaut
    # Railway fournira la variable PORT
    port = int(os.environ.get("PORT", 5001))
    # Écouter sur 0.0.0.0 pour être accessible depuis l'extérieur du conteneur
    app.run(host='0.0.0.0', port=port, debug=False) # Mettre debug=True pour le développement local si besoin