davide
b7994100e7
Nuova cartella conversione/ con pipeline.py che sostituisce step-0+1+2+3+4 in un singolo comando senza operazioni manuali. Usa opendataloader-pdf (algoritmo XY-Cut++ per ordine di lettura). Trasformazioni strutturali: - accenti backtick da PDF LaTeX (es. `e→è, puo`→può) - rimozione dot-leader TOC e numerali romani pagina (i, ii, iii) - normalizzazione header a gerarchia uniforme h1/h2/h3 - conversione sezioni numerate e aforismi → header ### - rilevamento sezioni Esercizi → disabilita conversione numerazioni - watermark URL rimossi, header vuoti scartati
691 lines
27 KiB
Python
691 lines
27 KiB
Python
#!/usr/bin/env python3
|
||
"""
|
||
conversion/pipeline.py — PDF → clean Markdown (pipeline automatica)
|
||
|
||
Sostituisce step-0 + step-1 + step-2 + step-3 + step-4 in un solo comando,
|
||
senza operazioni manuali.
|
||
|
||
Usa opendataloader-pdf (algoritmo XY-Cut++ per ordine di lettura corretto,
|
||
testo fluente, struttura preservata) al posto di pymupdf4llm.
|
||
|
||
Output (compatibile con step-5+):
|
||
conversion/<stem>/raw.md — output grezzo opendataloader (immutabile)
|
||
conversion/<stem>/clean.md — MD pulito e strutturato
|
||
conversion/<stem>/structure_profile.json
|
||
|
||
Uso:
|
||
python conversion/pipeline.py --stem <nome>
|
||
python conversion/pipeline.py # tutti i PDF in sources/
|
||
python conversion/pipeline.py --stem <nome> --force # forza riesecuzione
|
||
|
||
Prerequisiti:
|
||
pip install opendataloader-pdf
|
||
Java 11+ sul PATH (https://adoptium.net/)
|
||
"""
|
||
|
||
import argparse
|
||
import json
|
||
import re
|
||
import subprocess
|
||
import sys
|
||
import tempfile
|
||
from pathlib import Path
|
||
|
||
|
||
# ─── Verifica dipendenze ──────────────────────────────────────────────────────
|
||
|
||
def _check_deps() -> None:
|
||
try:
|
||
import opendataloader_pdf # noqa: F401
|
||
except ImportError:
|
||
print("Errore: opendataloader-pdf non installato.")
|
||
print(" pip install opendataloader-pdf")
|
||
sys.exit(1)
|
||
|
||
try:
|
||
result = subprocess.run(
|
||
["java", "-version"],
|
||
capture_output=True, text=True,
|
||
)
|
||
if result.returncode != 0:
|
||
raise FileNotFoundError
|
||
except FileNotFoundError:
|
||
print("Errore: Java 11+ non trovato sul PATH.")
|
||
print(" Installa da https://adoptium.net/")
|
||
sys.exit(1)
|
||
|
||
|
||
# ─── [1] Validazione PDF (step-0 + step-1) ────────────────────────────────────
|
||
|
||
def check_pdf(pdf_path: Path) -> tuple[bool, str]:
|
||
"""
|
||
Validazione rapida: esistenza, leggibilità, testo estraibile.
|
||
Restituisce (ok, messaggio).
|
||
"""
|
||
if not pdf_path.exists():
|
||
return False, f"File non trovato: {pdf_path}"
|
||
if pdf_path.suffix.lower() != ".pdf":
|
||
return False, f"Non è un PDF: {pdf_path.name}"
|
||
if pdf_path.stat().st_size == 0:
|
||
return False, "File vuoto"
|
||
|
||
try:
|
||
import pdfplumber
|
||
with pdfplumber.open(pdf_path) as pdf:
|
||
n_pages = len(pdf.pages)
|
||
if n_pages == 0:
|
||
return False, "PDF senza pagine"
|
||
sample = min(5, n_pages)
|
||
pages_with_text = sum(
|
||
1 for i in range(sample)
|
||
if len((pdf.pages[i].extract_text() or "").strip()) > 50
|
||
)
|
||
if pages_with_text == 0:
|
||
return False, (
|
||
f"Nessun testo nelle prime {sample} pagine "
|
||
f"— probabilmente scansionato (usa modalità hybrid)"
|
||
)
|
||
return True, f"{n_pages} pagine, testo digitale confermato"
|
||
except Exception as e:
|
||
msg = str(e).lower()
|
||
if "password" in msg or "encrypted" in msg:
|
||
return False, "PDF protetto da password"
|
||
return False, f"Impossibile aprire: {e}"
|
||
|
||
|
||
# ─── [2] Conversione PDF → Markdown (step-2) ─────────────────────────────────
|
||
|
||
def convert_pdf(pdf_path: Path, out_dir: Path) -> Path:
|
||
"""
|
||
Converte il PDF in Markdown tramite opendataloader-pdf.
|
||
Scrive il file nella out_dir e restituisce il percorso.
|
||
|
||
Parametri scelti per output RAG-ottimale:
|
||
- keep_line_breaks=False → testo fluente, no hard-wrap PDF
|
||
- reading_order="xycut" → corregge ordine multi-colonna (XY-Cut++)
|
||
- sanitize=False → preserva il testo originale (no anonimizzazione PII)
|
||
"""
|
||
import opendataloader_pdf
|
||
|
||
out_dir.mkdir(parents=True, exist_ok=True)
|
||
|
||
opendataloader_pdf.convert(
|
||
input_path=str(pdf_path),
|
||
output_dir=str(out_dir),
|
||
format="markdown",
|
||
keep_line_breaks=False,
|
||
reading_order="xycut",
|
||
sanitize=False,
|
||
image_output="off", # nessuna immagine estratta né referenziata
|
||
quiet=True, # sopprime i log Java
|
||
)
|
||
|
||
# Il file output si chiama <stem>.md
|
||
md_file = out_dir / f"{pdf_path.stem}.md"
|
||
if not md_file.exists():
|
||
candidates = list(out_dir.glob("*.md"))
|
||
if not candidates:
|
||
raise RuntimeError(f"Nessun file .md prodotto in {out_dir}")
|
||
md_file = candidates[0]
|
||
|
||
return md_file
|
||
|
||
|
||
# ─── [3] Pulizia strutturale (step-4 / revise.py) ────────────────────────────
|
||
#
|
||
# Logica identica a step-4/revise.py — mantenuta sincronizzata.
|
||
|
||
_TOC_KEYWORDS = frozenset([
|
||
"indice", "index", "contents", "table of contents",
|
||
"sommario", "inhaltsverzeichnis", "inhalt",
|
||
])
|
||
|
||
_ORDINALS_IT = {
|
||
"PRIMO": "I", "SECONDO": "II", "TERZO": "III", "QUARTO": "IV",
|
||
"QUINTO": "V", "SESTO": "VI", "SETTIMO": "VII", "OTTAVO": "VIII",
|
||
"NONO": "IX", "DECIMO": "X",
|
||
}
|
||
_ORDINALS_EN = {
|
||
"ONE": "1", "TWO": "2", "THREE": "3", "FOUR": "4", "FIVE": "5",
|
||
"SIX": "6", "SEVEN": "7", "EIGHT": "8", "NINE": "9", "TEN": "10",
|
||
}
|
||
|
||
|
||
def _sentence_case(s: str) -> str:
|
||
if not s:
|
||
return s
|
||
lower = s.lower()
|
||
return lower[0].upper() + lower[1:]
|
||
|
||
|
||
def _is_allcaps_line(line: str) -> bool:
|
||
stripped = line.strip()
|
||
letters = [c for c in stripped if c.isalpha()]
|
||
return (
|
||
len(letters) >= 3
|
||
and all(c.isupper() for c in letters)
|
||
and not stripped.startswith("#")
|
||
)
|
||
|
||
|
||
def _allcaps_to_header(raw_line: str) -> str:
|
||
text = raw_line.strip().rstrip(".").rstrip("?").strip()
|
||
|
||
_ORD_IT_PAT = "|".join(_ORDINALS_IT.keys())
|
||
m = re.match(rf"^CAPITOLO ({_ORD_IT_PAT})\. (.+)", text)
|
||
if m:
|
||
roman = _ORDINALS_IT[m.group(1)]
|
||
titolo = m.group(2).rstrip(".").rstrip("?").strip()
|
||
return f"## Capitolo {roman} — {_sentence_case(titolo)}"
|
||
|
||
_ORD_EN_PAT = "|".join(_ORDINALS_EN.keys())
|
||
m = re.match(rf"^CHAPTER ({_ORD_EN_PAT}|\d+)\.? (.+)", text)
|
||
if m:
|
||
n = _ORDINALS_EN.get(m.group(1), m.group(1))
|
||
titolo = m.group(2).rstrip(".").rstrip("?").strip()
|
||
return f"## Chapter {n} — {_sentence_case(titolo)}"
|
||
|
||
m = re.match(r"^([IVXLCDM]+|[0-9]+)\. (.+)", text)
|
||
if m:
|
||
return f"## {m.group(1)}. {_sentence_case(m.group(2).rstrip('.').strip())}"
|
||
|
||
return f"## {_sentence_case(text)}"
|
||
|
||
|
||
def apply_transforms(text: str) -> tuple[str, dict]:
|
||
"""
|
||
Applica le trasformazioni strutturali al Markdown grezzo.
|
||
Restituisce (testo_modificato, statistiche).
|
||
"""
|
||
stats = {
|
||
"toc_rimosso": False,
|
||
"n_immagini_rimosse": 0,
|
||
"n_accenti_corretti": 0,
|
||
"n_dotleader_rimossi": 0,
|
||
"n_header_concat_fixati": 0,
|
||
"n_header_allcaps": 0,
|
||
"n_sezioni_numerate": 0,
|
||
"n_paragrafi_uniti": 0,
|
||
}
|
||
|
||
# 0. Rimuovi riferimenti immagini (artefatti opendataloader-pdf)
|
||
stats["n_immagini_rimosse"] = len(re.findall(r"!\[[^\]]*\]\([^)]*\)", text))
|
||
text = re.sub(r"!\[[^\]]*\]\([^)]*\)\s*", "", text)
|
||
|
||
# 0a. Fix artefatti backtick da PDF LaTeX: `e→è, e`→è, sar`a→sarà, ecc.
|
||
# I PDF prodotti da LaTeX estraggono gli accenti gravi come backtick separati
|
||
# dalla vocale accentata. Esempi: "`e" → "è", "puo`" → "può", "sar`a" → "sarà"
|
||
_ACCENT_MAP = {
|
||
"e": "è", "E": "È", "a": "à", "A": "À",
|
||
"u": "ù", "U": "Ù", "i": "ì", "I": "Ì", "o": "ò", "O": "Ò",
|
||
}
|
||
n_bt_before = text.count("`")
|
||
text = re.sub(r"`([eEaAuUiIoO])", lambda m: _ACCENT_MAP[m.group(1)], text)
|
||
text = re.sub(r"([eEaAuUiIoO])`", lambda m: _ACCENT_MAP[m.group(1)], text)
|
||
stats["n_accenti_corretti"] = n_bt_before - text.count("`")
|
||
|
||
# 0b_pre. Rimuovi righe con dot-leader (voci di indice/sommario)
|
||
# Esempi: "- 1.1 Alfabeto greco . . . . . . 1", "3.4 Continuità . . . . 205"
|
||
# Pattern: almeno 3 occorrenze di ". " consecutive nella riga
|
||
stats["n_dotleader_rimossi"] = len(
|
||
re.findall(r"^[^\n]*(?:\. ){3,}[^\n]*$", text, re.MULTILINE)
|
||
)
|
||
text = re.sub(r"^[^\n]*(?:\. ){3,}[^\n]*$", "", text, flags=re.MULTILINE)
|
||
|
||
# 0b_pre2. Rimuovi righe che sono solo numerali romani (indicatori di pagina TOC)
|
||
# Esempi: "i", "ii", "iii", "iv", "v" su riga isolata (footer pagine indice LaTeX)
|
||
# Questi impedirebbero al transform 9 di rimuovere le entry TOC rimaste senza corpo.
|
||
text = re.sub(
|
||
r"(?m)^(i{1,3}|iv|vi{0,3}|ix|xi{0,2}|x)$",
|
||
"",
|
||
text,
|
||
flags=re.IGNORECASE,
|
||
)
|
||
|
||
# Flag documento: rilevamento sezioni esercizi (es. libri di testo accademici)
|
||
# Usato per disabilitare transform 4b che convertirebbe i numeri degli esercizi in header.
|
||
_has_exercise_sections = bool(re.search(r"\bEsercizi\b", text, re.IGNORECASE))
|
||
|
||
# 0b. Fix header + body concatenati senza separatore
|
||
# "##### 11 TitoloCorpodel testo..." → "##### 11 Titolo\n\nCorpo del testo..."
|
||
def _fix_header_concat(m: re.Match) -> str:
|
||
hashes = m.group(1)
|
||
full = m.group(2).strip()
|
||
if len(full) < 60:
|
||
return m.group(0)
|
||
# Cerca split: lettera minuscola (incluse accentate) seguita da maiuscola
|
||
# Salta i primi ~10 char per non spezzare il numero della sezione
|
||
skip = min(10, len(full) // 3)
|
||
split = re.search(r"(?<=[a-zàèéìíòóùúä])(?=[A-ZÀÈÉÌÍÒÓÙÚ])", full[skip:])
|
||
if split:
|
||
pos = skip + split.start()
|
||
title = full[:pos].strip()
|
||
body = full[pos:].strip()
|
||
if len(title) >= 5 and len(body) >= 15:
|
||
stats["n_header_concat_fixati"] += 1
|
||
return f"{hashes} {title}\n\n{body}"
|
||
return m.group(0)
|
||
|
||
text = re.sub(r"^(#{2,6})\s+(.{40,})$", _fix_header_concat, text, flags=re.MULTILINE)
|
||
|
||
# 0c. Estrai "Capitolo N: TITOLO" inline nel corpo del testo → ## header separato
|
||
# "Capitolo 3: IL TITOLO DEL CAPITOLO - 16 Primo..." → "## Capitolo 3: ..."
|
||
# "Capitolo 1 : TITOLO CAPITOLO" → "## Capitolo 1: ..."
|
||
def _extract_capitolo(m: re.Match) -> str:
|
||
num = m.group(1)
|
||
titolo = _sentence_case(m.group(2).strip().rstrip("- ").strip())
|
||
return f"\n\n## Capitolo {num}: {titolo}\n\n"
|
||
|
||
text = re.sub(
|
||
r"\bCapitolo\s+(\d+)\s*[:\s]\s*([A-ZÀÈÉÌÍÒÓÙÚ\'L][A-ZÀÈÉÌÍÒÓÙÚ\s\'\.,\(\)]{5,80}?)"
|
||
r"(?=\s*[-–]\s*\d|\s*\n|\s*$)",
|
||
_extract_capitolo,
|
||
text,
|
||
)
|
||
|
||
# 0d. Normalizza header di sezione a livello uniforme ###
|
||
# "#### N Titolo" → "### N. Titolo" (numerati: aggiunge punto)
|
||
# "#### B) Titolo" → "### B) Titolo" (lettera: solo cambio livello)
|
||
# "#### " → rimosso (vuoti)
|
||
text = re.sub(
|
||
r"^#{3,6}\s*$",
|
||
"",
|
||
text,
|
||
flags=re.MULTILINE,
|
||
)
|
||
text = re.sub(
|
||
r"^(#{3,6})\s+(\d{1,3})\s+(.+)$",
|
||
lambda m: f"### {m.group(2)}. {m.group(3)}",
|
||
text,
|
||
flags=re.MULTILINE,
|
||
)
|
||
text = re.sub(
|
||
r"^#{4,6}\s+(.+)$",
|
||
r"### \1",
|
||
text,
|
||
flags=re.MULTILINE,
|
||
)
|
||
|
||
# 1. Rimuovi **bold** negli header esistenti: ## **Titolo** → ## Titolo
|
||
text = re.sub(
|
||
r"^(#{1,6})\s+\*\*(.+?)\*\*\s*$",
|
||
r"\1 \2",
|
||
text, flags=re.MULTILINE,
|
||
)
|
||
|
||
# 1b. Normalizza header ALL-CAPS → sentence-case
|
||
def _norm_allcaps_header(m: re.Match) -> str:
|
||
hashes, content = m.group(1), m.group(2).strip()
|
||
letters = [c for c in content if c.isalpha()]
|
||
if letters and all(c.isupper() for c in letters):
|
||
return f"{hashes} {_sentence_case(content)}"
|
||
return m.group(0)
|
||
|
||
text = re.sub(r"^(#{1,6}) (.+)$", _norm_allcaps_header, text, flags=re.MULTILINE)
|
||
|
||
# 2. Rimuovi righe TOC: header "# Indice", "# Contents", ecc.
|
||
# Rimuove la riga stessa; le voci subordinate (dot-leader) sono già rimosse da 0b_pre.
|
||
# L'header rimasto senza corpo viene poi eliminato dal transform 9.
|
||
lines = text.split("\n")
|
||
new_lines = []
|
||
for line in lines:
|
||
# Stripping del prefisso markdown (##, #, ecc.) prima del confronto keyword
|
||
bare = re.sub(r"^#+\s*", "", line.strip())
|
||
first_word = bare.split(".")[0].strip().lower()
|
||
if first_word in _TOC_KEYWORDS:
|
||
stats["toc_rimosso"] = True
|
||
else:
|
||
new_lines.append(line)
|
||
text = "\n".join(new_lines)
|
||
|
||
# 3. Converti righe ALL-CAPS standalone → ## header
|
||
blocks = text.split("\n\n")
|
||
new_blocks = []
|
||
for block in blocks:
|
||
stripped = block.strip()
|
||
if "\n" not in stripped and _is_allcaps_line(stripped):
|
||
new_blocks.append(_allcaps_to_header(stripped))
|
||
stats["n_header_allcaps"] += 1
|
||
else:
|
||
sub_lines = block.split("\n")
|
||
converted = []
|
||
for ln in sub_lines:
|
||
if _is_allcaps_line(ln) and len(ln.strip()) > 3:
|
||
converted.append(_allcaps_to_header(ln))
|
||
stats["n_header_allcaps"] += 1
|
||
else:
|
||
converted.append(ln)
|
||
new_blocks.append("\n".join(converted))
|
||
text = "\n\n".join(new_blocks)
|
||
|
||
# 4. Converti sezioni numerate "N. testo" → "### N.\n\ntesto"
|
||
# Guarda che il testo non sia una frase completa (es. esercizi numerati):
|
||
# se termina con "." ed è più lungo di 40 caratteri, è probabilmente una frase,
|
||
# non un titolo di sezione → lascia invariato.
|
||
def _num_repl(m: re.Match) -> str:
|
||
content = m.group(2).strip()
|
||
if content.endswith(".") and len(content) > 40:
|
||
return m.group(0)
|
||
stats["n_sezioni_numerate"] += 1
|
||
return f"### {m.group(1)}.\n\n{content}"
|
||
|
||
text = re.sub(r"^(\d+)\.\s+(.+)$", _num_repl, text, flags=re.MULTILINE)
|
||
|
||
def _num_letter_repl(m: re.Match) -> str:
|
||
stats["n_sezioni_numerate"] += 1
|
||
return f"### {m.group(1)}{m.group(2)}.\n\n{m.group(3).strip()}"
|
||
|
||
text = re.sub(r"^(\d+)\s*([a-z])\.\s+(.+)$", _num_letter_repl, text, flags=re.MULTILINE)
|
||
|
||
# 4b. Converti "- N. testo" sezioni con punto → "### N.\n\ntesto"
|
||
# "- 1. Testo del primo punto..." → "### 1.\n\nTesto del primo punto..."
|
||
# Deve precedere 4c: "- N." ha il punto, "- N testo" no.
|
||
# Disabilitato se il documento contiene sezioni "Esercizi": in quel caso i
|
||
# "- N. testo" sono numerazioni di esercizi, non header di sezione.
|
||
if not _has_exercise_sections:
|
||
def _aphorism_repl(m: re.Match) -> str:
|
||
stats["n_sezioni_numerate"] += 1
|
||
return f"\n\n### {m.group(1)}.\n\n{m.group(2).strip()}"
|
||
|
||
text = re.sub(
|
||
r"^-\s+(\d{1,3})\.\s+(.{10,})$",
|
||
_aphorism_repl,
|
||
text,
|
||
flags=re.MULTILINE,
|
||
)
|
||
|
||
# 4c. Converti "- N testo" list item numerati → "### N.\n\ntesto"
|
||
# "- 12 Titolo sezione Corpo della sezione..." → "### 12. Titolo sezione\n\nCorpo..."
|
||
# Non tocca "- a) testo", "- 1) testo" (già gestiti come liste)
|
||
def _list_section_repl(m: re.Match) -> str:
|
||
num = m.group(1)
|
||
content = m.group(2).strip()
|
||
stats["n_sezioni_numerate"] += 1
|
||
# Separa titolo da corpo: il titolo finisce dove una lettera minuscola
|
||
# è seguita da spazio e maiuscola (confine fine-titolo / inizio-corpo)
|
||
split = re.search(r"(?<=[a-zàèéìíòóùú])\s+(?=[A-ZÀÈÉÌÍÒÓÙÚ])", content)
|
||
if split and split.start() >= 3:
|
||
title = content[: split.start()].strip()
|
||
body = content[split.end() :].strip()
|
||
if len(body) >= 20:
|
||
return f"\n\n### {num}. {title}\n\n{body}"
|
||
# Nessun body inline: il content è solo il titolo
|
||
return f"\n\n### {num}. {content}"
|
||
|
||
text = re.sub(
|
||
r"^-\s+(\d{1,3})\s+([A-ZÀÈÉÌÍÒÓÙÚ\'L].{10,})$",
|
||
_list_section_repl,
|
||
text,
|
||
flags=re.MULTILINE,
|
||
)
|
||
|
||
# 5. Unisci paragrafi spezzati da salti pagina PDF
|
||
_SENTENCE_END = set(".?!»)\"'")
|
||
blocks = text.split("\n\n")
|
||
merged = []
|
||
i = 0
|
||
while i < len(blocks):
|
||
b = blocks[i]
|
||
stripped = b.strip()
|
||
while (
|
||
i + 1 < len(blocks)
|
||
and stripped
|
||
and not stripped.startswith("#")
|
||
and stripped[-1] not in _SENTENCE_END
|
||
):
|
||
nxt = blocks[i + 1].strip()
|
||
if not nxt or nxt.startswith("#") or re.match(r"^\d+\.", nxt):
|
||
break
|
||
b = stripped + " " + nxt
|
||
stripped = b.strip()
|
||
stats["n_paragrafi_uniti"] += 1
|
||
i += 1
|
||
merged.append(b)
|
||
i += 1
|
||
text = "\n\n".join(merged)
|
||
|
||
# 6. Normalizza whitespace multiplo interno alle righe
|
||
lines = text.split("\n")
|
||
text = "\n".join(
|
||
re.sub(r" +", " ", line) if line.strip() else line
|
||
for line in lines
|
||
)
|
||
|
||
# 7. Riduci righe vuote multiple a doppie
|
||
text = re.sub(r"\n{3,}", "\n\n", text)
|
||
|
||
# 8. Rimuovi righe che sono solo URL (watermark, footer di piattaforme)
|
||
text = re.sub(r"(?m)^(https?://|www\.)\S+\s*$", "", text)
|
||
|
||
# 9. Rimuovi header senza corpo: header seguito solo da righe vuote e poi
|
||
# da un altro header o dalla fine del testo (sezioni vuote / watermark)
|
||
blocks = re.split(r"\n{2,}", text)
|
||
cleaned = []
|
||
for i, block in enumerate(blocks):
|
||
stripped = block.strip()
|
||
if re.match(r"^#{1,6} ", stripped) and "\n" not in stripped:
|
||
next_stripped = blocks[i + 1].strip() if i + 1 < len(blocks) else ""
|
||
if not next_stripped or re.match(r"^#{1,6} ", next_stripped):
|
||
continue # header senza corpo → scarta
|
||
cleaned.append(block)
|
||
text = re.sub(r"\n{3,}", "\n\n", "\n\n".join(cleaned))
|
||
|
||
return text, stats
|
||
|
||
|
||
# ─── [4] Rilevamento struttura (step-3 / detect_structure.py) ────────────────
|
||
#
|
||
# Logica identica a step-3/detect_structure.py — mantenuta sincronizzata.
|
||
|
||
_IT_WORDS = frozenset([
|
||
"il", "la", "di", "e", "che", "non", "per", "un", "una", "si",
|
||
"con", "da", "del", "della", "dei", "in", "ma", "se", "lo", "le",
|
||
"gli", "al", "alla", "ai", "alle", "sono", "ha", "hanno", "era",
|
||
"erano", "nel", "nella", "nei", "nelle", "questo", "questa", "così",
|
||
])
|
||
_EN_WORDS = frozenset([
|
||
"the", "of", "and", "to", "in", "is", "that", "it", "was", "for",
|
||
"on", "are", "as", "with", "his", "they", "at", "be", "this", "have",
|
||
"from", "or", "an", "but", "not", "by", "he", "she", "we", "you",
|
||
"which", "their", "been", "has", "would", "there", "when", "will",
|
||
])
|
||
|
||
|
||
def _detect_language(text: str) -> str:
|
||
words = re.findall(r"\b[a-zA-Z]{2,}\b", text.lower())
|
||
sample = words[:2000]
|
||
it = sum(1 for w in sample if w in _IT_WORDS)
|
||
en = sum(1 for w in sample if w in _EN_WORDS)
|
||
if it == 0 and en == 0:
|
||
return "unknown"
|
||
return "it" if it >= en else "en"
|
||
|
||
|
||
def _count_headers(text: str, level: int) -> int:
|
||
prefix = "#" * level + " "
|
||
return len(re.findall(rf"(?m)^{re.escape(prefix)}", text))
|
||
|
||
|
||
def _count_paragraphs(text: str) -> int:
|
||
blocks = re.split(r"\n{2,}", text)
|
||
return sum(1 for b in blocks if b.strip() and not re.match(r"^#+\s", b.strip()))
|
||
|
||
|
||
def _split_sections(text: str, level: int) -> list[str]:
|
||
prefix = "#" * level + " "
|
||
parts = re.split(rf"(?m)^{re.escape(prefix)}.+", text)
|
||
return [p for p in parts[1:] if p.strip()]
|
||
|
||
|
||
def analyze(md_path: Path) -> dict:
|
||
text = md_path.read_text(encoding="utf-8")
|
||
n_h1 = _count_headers(text, 1)
|
||
n_h2 = _count_headers(text, 2)
|
||
n_h3 = _count_headers(text, 3)
|
||
n_paragrafi = _count_paragraphs(text)
|
||
|
||
if n_h3 >= 5:
|
||
livello, boundary, strategia = 3, "h3", "h3_aware"
|
||
section_bodies = _split_sections(text, 3)
|
||
elif n_h2 >= 3:
|
||
livello, boundary, strategia = 2, "h2", "h2_paragraph_split"
|
||
section_bodies = _split_sections(text, 2)
|
||
elif n_h1 + n_h2 + n_h3 >= 1:
|
||
livello, boundary, strategia = 1, "paragrafo", "paragraph"
|
||
section_bodies = [b for b in re.split(r"\n{2,}", text) if b.strip()]
|
||
elif n_paragrafi >= 3:
|
||
livello, boundary, strategia = 1, "paragrafo", "paragraph"
|
||
section_bodies = [b for b in re.split(r"\n{2,}", text) if b.strip()]
|
||
else:
|
||
livello, boundary, strategia = 0, "nessuno", "sliding_window"
|
||
section_bodies = [text] if text.strip() else []
|
||
|
||
lengths = [len(b) for b in section_bodies if b.strip()]
|
||
lunghezza_media = int(sum(lengths) / len(lengths)) if lengths else 0
|
||
lingua = _detect_language(text)
|
||
|
||
avvertenze = []
|
||
short = sum(1 for l in lengths if l < 200)
|
||
long_ = sum(1 for l in lengths if l > 800)
|
||
if short:
|
||
avvertenze.append(f"{short} sezioni sotto i 200 caratteri — verranno accorpate")
|
||
if long_:
|
||
avvertenze.append(f"{long_} sezioni sopra i 800 caratteri — verranno divise")
|
||
|
||
return {
|
||
"livello_struttura": livello,
|
||
"n_h1": n_h1,
|
||
"n_h2": n_h2,
|
||
"n_h3": n_h3,
|
||
"n_paragrafi": n_paragrafi,
|
||
"boundary_primario": boundary,
|
||
"lingua_rilevata": lingua,
|
||
"lunghezza_media_sezione": lunghezza_media,
|
||
"strategia_chunking": strategia,
|
||
"avvertenze": avvertenze,
|
||
}
|
||
|
||
|
||
# ─── Pipeline principale ──────────────────────────────────────────────────────
|
||
|
||
def run(stem: str, project_root: Path, force: bool) -> bool:
|
||
pdf_path = project_root / "sources" / f"{stem}.pdf"
|
||
out_dir = project_root / "conversion" / stem
|
||
raw_out = out_dir / "raw.md"
|
||
clean_out = out_dir / "clean.md"
|
||
profile_out = out_dir / "structure_profile.json"
|
||
|
||
print(f"\n{'─' * 52}")
|
||
print(f" {stem}")
|
||
print(f"{'─' * 52}")
|
||
|
||
if clean_out.exists() and not force:
|
||
print(f" ⚠️ conversion/{stem}/clean.md già presente — skip")
|
||
print(f" (usa --force per rieseguire)")
|
||
return True
|
||
|
||
# ── [1] Validazione ────────────────────────────────────────────────────
|
||
print(" [1/4] Validazione PDF...")
|
||
ok, msg = check_pdf(pdf_path)
|
||
if not ok:
|
||
print(f" ✗ {msg}")
|
||
return False
|
||
print(f" ✅ {msg}")
|
||
|
||
# ── [2] Conversione ────────────────────────────────────────────────────
|
||
print(" [2/4] Conversione PDF → Markdown (opendataloader-pdf)...")
|
||
with tempfile.TemporaryDirectory() as tmp:
|
||
try:
|
||
md_file = convert_pdf(pdf_path, Path(tmp))
|
||
except Exception as e:
|
||
print(f" ✗ Conversione fallita: {e}")
|
||
return False
|
||
raw_text = md_file.read_text(encoding="utf-8")
|
||
|
||
size_kb = len(raw_text.encode()) // 1024
|
||
n_lines = raw_text.count("\n")
|
||
print(f" ✅ Markdown grezzo: {size_kb} KB, {n_lines} righe")
|
||
|
||
# ── [3] Pulizia strutturale ────────────────────────────────────────────
|
||
print(" [3/4] Pulizia strutturale...")
|
||
clean_text, t_stats = apply_transforms(raw_text)
|
||
reduction = 100 * (1 - len(clean_text) / len(raw_text)) if raw_text else 0
|
||
print(f" ✅ Immagini rimosse: {t_stats['n_immagini_rimosse']}")
|
||
print(f" Accenti corretti: {t_stats['n_accenti_corretti']}")
|
||
print(f" Dot-leader rimossi: {t_stats['n_dotleader_rimossi']}")
|
||
print(f" Header concat fixati: {t_stats['n_header_concat_fixati']}")
|
||
print(f" TOC rimosso: {'sì' if t_stats['toc_rimosso'] else 'no'}")
|
||
print(f" ALL-CAPS → ##: {t_stats['n_header_allcaps']}")
|
||
print(f" Sezioni → ###: {t_stats['n_sezioni_numerate']}")
|
||
print(f" Paragrafi uniti: {t_stats['n_paragrafi_uniti']}")
|
||
print(f" Riduzione testo: {reduction:.0f}%")
|
||
|
||
# ── [4] Profilo strutturale ────────────────────────────────────────────
|
||
print(" [4/4] Analisi struttura...")
|
||
out_dir.mkdir(parents=True, exist_ok=True)
|
||
raw_out.write_text(raw_text, encoding="utf-8")
|
||
clean_out.write_text(clean_text, encoding="utf-8")
|
||
profile = analyze(clean_out)
|
||
profile_out.write_text(json.dumps(profile, ensure_ascii=False, indent=2), encoding="utf-8")
|
||
|
||
_LIVELLO_DESC = {3: "ricca (h3)", 2: "parziale (h2)", 1: "paragrafi", 0: "testo piatto"}
|
||
print(f" ✅ Struttura: livello {profile['livello_struttura']} — {_LIVELLO_DESC[profile['livello_struttura']]}")
|
||
print(f" h1={profile['n_h1']} h2={profile['n_h2']} h3={profile['n_h3']} "
|
||
f"paragrafi={profile['n_paragrafi']}")
|
||
print(f" Strategia chunking: {profile['strategia_chunking']}")
|
||
print(f" Lingua rilevata: {profile['lingua_rilevata']}")
|
||
for w in profile["avvertenze"]:
|
||
print(f" ⚠️ {w}")
|
||
|
||
print(f"\n Output:")
|
||
print(f" conversion/{stem}/raw.md (immutabile)")
|
||
print(f" conversion/{stem}/clean.md")
|
||
print(f" conversion/{stem}/structure_profile.json")
|
||
print(f"\n Prossimo passo: python step-5/chunker.py --stem {stem}")
|
||
return True
|
||
|
||
|
||
# ─── Entry point ─────────────────────────────────────────────────────────────
|
||
|
||
if __name__ == "__main__":
|
||
project_root = Path(__file__).parent.parent
|
||
|
||
parser = argparse.ArgumentParser(
|
||
description="Pipeline PDF → clean Markdown (sostituisce step 0+1+2+3+4)",
|
||
epilog=(
|
||
"Output compatibile con step-5+.\n"
|
||
"Prerequisiti: pip install opendataloader-pdf + Java 11+ sul PATH"
|
||
),
|
||
)
|
||
parser.add_argument(
|
||
"--stem",
|
||
help="Nome del documento (PDF in sources/<stem>.pdf). "
|
||
"Se omesso, elabora tutti i PDF in sources/.",
|
||
)
|
||
parser.add_argument(
|
||
"--force",
|
||
action="store_true",
|
||
help="Riesegui anche se clean.md è già presente",
|
||
)
|
||
args = parser.parse_args()
|
||
|
||
_check_deps()
|
||
|
||
if args.stem:
|
||
stems = [args.stem]
|
||
else:
|
||
sources_dir = project_root / "sources"
|
||
if not sources_dir.exists():
|
||
print("Errore: cartella sources/ non trovata")
|
||
sys.exit(1)
|
||
stems = sorted(p.stem for p in sources_dir.glob("*.pdf"))
|
||
if not stems:
|
||
print("Errore: nessun PDF trovato in sources/")
|
||
sys.exit(1)
|
||
|
||
results = [run(s, project_root, args.force) for s in stems]
|
||
ok = sum(results)
|
||
total = len(results)
|
||
print(f"\n{'✅' if all(results) else '⚠️ '} {ok}/{total} documenti convertiti")
|
||
sys.exit(0 if all(results) else 1)
|