doc-ai-runtime 0.1.0

Modular Document AI Runtime for RAG and Markdown exports.

📄 Document AI Runtime

Un pipeline modulaire et extensible pour l'extraction de documents (OCR et Bureautique), conçu pour transformer des PDF, images et Word en formats structurés (Markdown et RAG).

Inspiré des capacités de solutions comme ABBYY, ce runtime repose sur une architecture de plugins indépendants manipulant un modèle de données canonique (DOM).

🚀 Fonctionnalités

• Multi-Formats natifs et OCR :
  • Bureautique (Path B) : DOCX, XLSX (Excel), PPTX (PowerPoint) extraits nativement.
  • PDF Hybride : Extrait le calque texte natif, et bascule automatiquement sur l'OCR (Surya + Tesseract) pour les pages scannées.
  • Images (Path A) : JPG, PNG traités via IA (Surya Layout + Tesseract OCR).
• Moteur XY-Cut : Algorithme récursif de coupe verticale/horizontale pour reconstruire l'ordre de lecture des documents multi-colonnes complexes.
• Exports spécialisés : Markdown (structuré) et RAG (JSON chunké avec métadonnées).

📦 Installation

Installer la bibliothèque et ses dépendances :

```bash
pip install -e .

🛠 Architecture

Le projet est construit autour de 4 piliers :

1. Le DOM (Document Object Model) : Des classes Python (Document, Page, Region, Block, Table, Cell) qui modélisent le document de bout en bout.
2. Les Interfaces : IDocumentLoader et IDocumentPlugin garantissent que tous les modules (Surya, Tesseract, python-docx) communiquent avec le même langage.
3. Les Plugins : Chaque étape (chargement, layout, OCR) est un module interchangeable dans src/plugins/. Remplacer Surya par un autre moteur de layout n'impacte pas le reste du code.
4. Le Pipeline Runner : L'orchestrateur qui détecte le type de fichier et exécute le bon chemin (A ou B) automatiquement.

📦 Installation

1. Prérequis Python

Clonez le dépôt et installez les dépendances Python : ```bash pip install python-docx pytesseract Pillow PyMuPDF surya-ocr

2. Dépendances Système

Tesseract OCR :
	Windows : Téléchargez l'installeur sur UB-Mannheim et ajoutez-le au PATH.
	Linux : sudo apt install tesseract-ocr
Surya OCR (Optionnel) : Nécessite llama.cpp pour fonctionner. Le runner peut fonctionner avec Tesseract seul si Surya n'est pas configuré.

🏃 Utilisation

Le runtime s'utilise via le script test_runtime.py (ou votre propre script) qui appelle le PipelineRunner.

from src.core.pipeline.runner import PipelineRunner

runner = PipelineRunner()

Pour un PDF ou une Image -> Export Markdown

result_md = runner.process("mon_document.pdf", export_mode="markdown")
print(result_md)

Pour un Word -> Export RAG

result_rag = runner.process("mon_document.docx", export_mode="rag")
print(result_rag)

🏃 Utilisation (CLI)

python main.py --file mon_document.pdf --export markdown

🗂 Structure du dépôt

doc-ai-runtime/
├── src/
│   ├── core/               # Le cœur (DOM, Interfaces, Runner)
│   │   ├── dom/            # Modèles de données (Document, Page, Block...)
│   │   └── pipeline/       # Orchestrateur (runner.py)
│   ├── plugins/            # Les briques interchangeables
│   │   ├── loaders/        # ImageLoader, PdfLoader, DocxLoader
│   │   ├── layout/         # SuryaLayoutPlugin
│   │   └── ocr/           # TesseractOCRPlugin
│   └── exporters/         # MarkdownExporter, RagExporter
├── test_runtime.py         # Script de démonstration
└── README.md

🗺 Feuille de route (Roadmap)

 Document Object Model (DOM)
 Loaders (DOCX, Images, PDF)
 Layout Analysis (Surya) & OCR (Tesseract)
 Exporters Markdown et RAG
 Image Quality Analyzer (pré-traitement des scans)
 Amélioration du moteur d'ordre de lecture (Reading Order Engine)