Update app.py

app.py

@@ -1,5 +1,7 @@
+from PyPDF2 import PdfReader
+import re
 import streamlit as st
-import fitz  # Utilisation de PyMuPDF (PdfReader) pour extraire le texte depuis le PDF
+import fitz
 from transformers import pipeline
 import os
 import requests
@@ -10,48 +12,76 @@ API_URL = "https://api-inference.huggingface.co/models/runwayml/stable-diffusion
 headers = {"Authorization": "Bearer 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"}
 summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
 
-# Fonction pour extraire les longs paragraphes à partir du texte
-def extraire_long_paragraphes(texte, longueur_maximale=999):
-    paragraphes = texte.split("\n\n")  # Divise le texte en paragraphes en utilisant des doubles sauts de ligne
-    longs_paragraphes = [paragraphe.strip() for paragraphe in paragraphes if len(paragraphe) >= longueur_maximale]
-    return longs_paragraphes
-
 def query(payload):
     response = requests.post(API_URL, headers=headers, json=payload)
     return response.content
 
-# Titre de l'application
-st.title("PDF2SLIDE")
+def extract_paragraphs_by_vertical_spacing(pdf_data, spacing_threshold=10):
+    paragraphs = []
+    
+    try:
+        pdf_stream = io.BytesIO(pdf_data)
+        pdf_document = fitz.open(stream=pdf_stream, filetype="pdf")
+        
+        for page_number in range(pdf_document.page_count):
+            page = pdf_document.load_page(page_number)
+            blocks = page.get_text("blocks")
+            
+            current_paragraph = ""
+            previous_bottom = None
+            
+            for block in blocks:
+                x0, y0, x1, y1 = block[:4]  # Coordonnées du bloc de texte
+                text = block[4]  # Texte du bloc
+                
+                # Mesurez l'espacement vertical entre les blocs de texte
+                if previous_bottom is not None:
+                    vertical_spacing = y0 - previous_bottom
+                else:
+                    vertical_spacing = 0
+                
+                # Si l'espacement vertical dépasse le seuil, considérez-le comme un nouveau paragraphe
+                if vertical_spacing > spacing_threshold:
+                    if current_paragraph:
+                        paragraphs.append(current_paragraph.strip())
+                    current_paragraph = text
+                else:
+                    current_paragraph += " " + text  # Ajoutez le texte au paragraphe actuel
+                
+                previous_bottom = y1
+            
+            # Ajoutez le dernier paragraphe de la page
+            if current_paragraph:
+                paragraphs.append(current_paragraph.strip())
+        
+        pdf_document.close()
+    except Exception as e:
+        print(f"Erreur lors de l'extraction du PDF : {str(e)}")
+    
+    return paragraphs
 
-# Section d'upload de fichier PDF
-uploaded_file = st.file_uploader("Sélectionnez un fichier PDF", type=["pdf"])
+#def extract_paragraph(texte):
+#	paragraph = texte.split("\n\n")
+#	return paragraph
 
-if uploaded_file is not None:
-    # Lecture du contenu du fichier PDF
-    pdf_document = fitz.open(stream=uploaded_file.read(), filetype="pdf")
-    
-    # Créez une liste pour stocker les paragraphes
-    paragraphs = []
+st.title("PDF2SLIDE")
 
-    # Parcourez toutes les pages et extrayez le texte
-    for page_number in range(pdf_document.page_count):
-        page = pdf_document.load_page(page_number)
-        page_text = page.get_text()
-        page_paragraphs = page_text.split("\n\n")  # Divisez en paragraphes
-        paragraphs.extend(page_paragraphs)
+uploaded_file = st.file_uploader("Selectionnez un PDF", type=["pdf"])
 
-    # Utilisez la fonction pour extraire les longs paragraphes
-    longs_paragraphes = extraire_long_paragraphes("\n\n".join(paragraphs), longueur_maximale=1000)
+if uploaded_file is not None:
+    pdf_data = uploaded_file.read()
 
-    # Affichez les longs paragraphes extraits avec des numéros et des résumés
-    st.subheader("Longs paragraphes du PDF avec résumé et image générée:")
-    for i, paragraphe in enumerate(longs_paragraphes, start=1):
-            summary = summarizer(paragraphe, max_length < (len(longs_paragraphes) * 1/2), min_length=30, do_sample=False)
+    paragraphs = extract_paragraphs_by_vertical_spacing(pdf_data)
+    i = 1   
+    for paragraph in paragraphs:
+    
+        summary = summarizer(paragraph, max_length=(len(paragraph)/2), min_length=10, do_sample=False)
         st.text(f"Paragraphe {i}: {summary[0]['summary_text']}")  # Affiche le résumé du paragraphe
         
-        # Générer une image à partir du résumé
         image_bytes = query({
-            "inputs": summary[0]['summary_text'],  # Utilisez le texte du résumé
+            "inputs": summary[0]['summary_text']  # Utilisez le texte du résumé
         })
         image = Image.open(io.BytesIO(image_bytes))
         st.image(image)
+
+        i = i + 1