Skip to content

dhdaines/alexi

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

ALexi, EXtracteur d'Information adèlois

ALEXI est une bibliothèque de code Python qui extrait la structure et le contenu des documents officiels de la ville de Sainte-Adèle afin de faciliter leur indexation par un moteur de recherche, SÈRAFIM par exemple.

Extraction des documents

L'extraction de la structure et du contenu des documents se fait par cette série d'étapes:

  1. Mettre à jour le répertoire local des documents. Ceci se fait avec wget par la commande alexi download. Par défaut, tous les documents dans la section des règlements d'urbanisme sont sélectionnés. Il est conseillé d'utiliser l'option --exclude pour exclure certains documents moins utiles:

     alexi -v download --exclude=Plan --exclude=/derogation \
           --exclude='\d-[aA]dopt' --exclude='Z-\d'
    

    Les documents téléchargés seront déposés dans le repertoire download par défaut. Pour les diriger ailleurs vous pouvez fournir l'option --outdir avec le nom du repertoire désiré.

    Il est également possible de sélectionner un autre filtre pour les documents en fournissant une expression régulière comme argument à alexi download, par exemple, pour avoir tous les règlements:

     alexi -v download Reglements
    
  2. Extraire et analyser le contenu des documents, ce qui se fait par la commande alexi extract:

     alexi -v extract download/*.pdf
    

    Les fichiers générés seront déposés dans le repertoire export par défaut. Encore il est possible de fournir l'option --outdir pour modifier cela.

Correction des structures extraites

Il arrive parfois (ou souvent) qu'ALEXI n'interprète pas correctement le formatage d'un PDF. Pour le moment la manière de corriger consiste à sortir les traits distinctifs utilisés par le classificateur en format CSV, corriger un exemplaire du texte non pris en charge (ne serait-ce qu'une seule page), et l'ajouter à l'entrainement du modèle. La commande alexi annotate vise à faciliter ce processus.

Par exemple, si l'on veut corriger l'extraction de la page 1 du règlement 1314-2023-DEM, on peut d'abord extraire les données et une visualisation de la segmentation et classification avec cette commande (on peut spécifier le nom de base de fichiers comme deuxième argument):

alexi annotate --pages 1 \
    download/2023-03-20-Rgl-1314-2023-DEM-Adoption-_1.pdf \
    1314-page1

Cela créera les fichers 1314-page1.pdf et 1314-page1.csv. Notez qu'il est possible de spécifier plusieurs pages à extraire et annoter, par exemple:

--pages 1,2,3

Dans le PDF, pour le moment, des rectangles colorés sont utiliser pour représenter les blocs annotés et aider à répérer les erreurs. Notamment:

  • Les chapitres et annexes sont en rouge
  • Les sections et articles sont en rose (plus foncé plus le type d'élément est large)
  • Les listes sont en bleu-vert (parce qu'elles sont souvent confondues avec les articles)
  • Les en-têtes et pieds de page sont en jaune-vert-couleur-de-bile
  • Tout le reste est en noir (alinéas, tableaux, figures)

Pour les éléments de séquence (il y a juste les titres et les numéros) ceux-ci sont indiqués par un remplissage vert clair transparent.

Avec un logiciel de feuilles de calcul dont LibreOffice ou Excel, on peut alors modifier 1314-page1.csv pour corriger la segmentation. Il est très important de spécifier ces paramètres lorsqu'on ouvre et sauvegarde le fichier CSV:

  • La colonne "text" doit avoir le type "Texte" (et pas "Standard")
  • Le seul séparateur de colonne devrait être la virgule (pas de point-virgule, tab, etc)

Une fois les erreurs corrigés, le résultat peut être vu avec:

alexi annotate --pages 1 \
    --csv 1314-page1.csv \
    download/2023-03-20-Rgl-1314-2023-DEM-Adoption-_1.pdf
    1314-page1

Cela mettra à jour le fichier 1314-page1.pdf avec les nouvelles annotations.

Une fois satisfait du résultat, il suffira de copier 1314-page1.csv vers le repertoire data et réentrainer le modèle avec hatch run train.

Extraction de catégories pertinentes du zonage

Quelques éléments du règlement de zonage ont droit à un traitement particulier d'ALEXI pour faciliter la génération d'hyperliens internes ainsi que fournir des informations à des applications externes dont ZONALDA et SÈRAFIM. Ces informations se retrouvent dans le fichier zonage.json dans le repertoire export. Actuellement pris en charge sont:

  • Les catégories de milieux (ex. "T2 OCCUPATION DE LA FORÊT")
  • Les types de milieux (ex. "T2.1 AGROFORESTIER")
  • Les catégories d'usages (ex. "H HABITATION")
  • Les classes d'usages (ex. "H-01 Habitation unifamiliale")

À l'avenir il pourrait être utile d'extraire aussi les exceptions spécifiques a des zones individuelle pour les référencer.

Extraction d'hyperliens

Un ensemble limité d'hyperliens internes et externes est pris en charge par ALEXI, spécifiquement:

Génération d'un index

Il est maintenant possible de générer un index pour faire des recherches dans les documents, ce qui se fait avec alexi index:

alexi index export

L'index sera généré dans le repertoire indexdir. Maintenant vous pouvez lancer des recherches! Par exemple:

alexi search poulailler

Ce qui devrait donner une sortie comme:

https://ville.sainte-adele.qc.ca/upload/documents/Rgl-1314-2021-Z-en-vigueur-20231013.pdf#page=77 Article 99: Poulailler et parquet
https://ville.sainte-adele.qc.ca/upload/documents/Rgl-1314-2021-Z-en-vigueur-20231013.pdf#page=73 SousSection 15: USAGES COMPLÉMENTAIRES À UN USAGE DU GROUPE « HABITATION (H) »
https://ville.sainte-adele.qc.ca/upload/documents/Rgl-1314-2021-Z-en-vigueur-20231013.pdf#page=73 Section 5: USAGES COMPLÉMENTAIRES
https://ville.sainte-adele.qc.ca/upload/documents/Rgl-1314-2021-Z-en-vigueur-20231013.pdf#page=18 Chapitre 3: DISPOSITIONS GÉNÉRALES AUX USAGES
https://ville.sainte-adele.qc.ca/upload/documents/Rgl-1314-2021-Z-en-vigueur-20231013.pdf#page=1 Document : Règlement de zonage numéro 1314-2021-Z

Les liens ci-haut vous amèneront dans les documents PDF, mais dans les fichiers exportés il est également possible de naviguer la structure des règlements, par exemple l'article 99 du règlement 1314-2021-Z se trouvera dans le repertoire export/Rgl-1314-2021-Z-en-vigueur-20231013/Article/99/ en formats HTML et MarkDown, avec des metadonnées en JSON.