Admin Assistant OCR

Système intelligent de reconnaissance et d'organisation automatique de documents PDF.

🎯 Fonctionnalités

• OCR Automatique : Extraction de texte depuis les PDFs scannés
• Renommage Intelligent : Analyse du contenu pour extraire :
  • Date du document (format YYYYMMDD)
  • Nom du fournisseur/émetteur
  • Numéro de facture/référence
• Organisation Structurée : Conservation de la structure des dossiers (scan → output)
• Traitement en Masse : Multithreading pour traiter plusieurs documents simultanément

📁 Structure du Projet

admin-assistant-ocr/
├── run_windows.bat     # Lancer l'application (Windows)
├── main.py            # Point d'entrée
├── requirements.txt   # Dépendances Python
├── docs/             # Documentation
├── scripts/          # Scripts d'installation
├── src/              # Code source
│   ├── config/       # Configuration
│   ├── controllers/  # Logique métier
│   └── utils/        # Utilitaires
├── scan/            # Dossier d'entrée (PDFs à traiter)
│   └── HN/          # Sous-dossiers par catégorie
├── output/          # Dossier de sortie (PDFs renommés)
└── logs/            # Fichiers de log

🚀 Installation Rapide

Windows

1. Installation automatique :

   scripts\install_windows.bat

2. Configuration interactive :

   python scripts\setup_user_config.py

3. Premier traitement :

   run_windows.bat

📖 Guides détaillés :

• Installation complète
• Manuel utilisateur
• Personnalisation avancée

🔧 Configuration

Modifier src/config/config.json :

{
  "scan_folder": "scan",
  "sub_folders": ["Devis", "Factures", "Courriers"],
  "output_folder": "output"
}

📝 Format de Sortie

Les PDFs sont renommés automatiquement selon le format :

YYYYMMDD_NomFournisseur_NumeroFacture.pdf

Format CamelCase avec séparateurs pour une meilleure lisibilité :

• 20240315_Edf_FAC2024001.pdf
• 20240122_OrangeMobile_REF123456.pdf
• 20240201_SarlDupont_DEVIS789.pdf
• 20240810_CaisseEpargne_BDC45678.pdf

🎨 Fonctionnement

1. Scan : Le système parcourt les dossiers configurés
2. OCR : Extraction du texte de chaque page du PDF
3. Analyse : Identification automatique des métadonnées :
   • Recherche de dates (multiples formats supportés)
   • Détection du fournisseur (mots-clés, en-tête)
   • Extraction du numéro de référence
4. Organisation : Copie du PDF avec nouveau nom dans la structure de sortie

📊 Logs

Les logs sont disponibles dans logs/ avec :

• Niveau INFO dans la console
• Niveau DEBUG dans les fichiers
• Horodatage et traçabilité complète

🛠️ Technologies

• Python 3.9+
• Tesseract OCR : Moteur de reconnaissance optique
• Poppler : Conversion PDF vers images
• pytesseract : Interface Python pour Tesseract
• pdf2image : Conversion des PDFs
• Pillow : Traitement d'images

🧠 Mode Apprentissage

Le système s'améliore automatiquement à chaque utilisation !

Fonctionnement Automatique

• 📊 Statistiques : Enregistre le taux de succès de chaque extraction
• 🏢 Fournisseurs fréquents : Apprend vos fournisseurs habituels
• 📈 Patterns efficaces : Retient ce qui fonctionne bien

Correction Manuelle

Après traitement, vous pouvez corriger les erreurs :

# Réviser les derniers résultats et corriger si nécessaire
python scripts/review_results.py

Processus de correction :

1. 📋 Affiche les extractions récentes
2. ❓ "Cette extraction est-elle correcte ?"
3. ❌ Si NON → Saisir les bonnes valeurs
4. 🧠 Le système apprend et s'améliore

Exemple d'Amélioration

Première fois :

📄 facture_edf.pdf → 20240315_Destinataire_REF123.pdf ❌

Correction :

🏢 Nouveau fournisseur: Edf
✅ Correction enregistrée

Fois suivantes :

📄 autre_facture_edf.pdf → 20240320_Edf_FAC456.pdf ✅
🧠 Pattern reconnu automatiquement

Configuration Personnalisée

Éviter votre adresse : Éditez src/config/profiles/[dossier].json

{
  "user_info": {
    "names": ["Votre Nom"],
    "addresses": ["Votre Adresse"],
    "companies": ["Votre Société"]
  }
}

Mapper les fournisseurs :

{
  "supplier_mappings": {
    "Électricité de France": "Edf",
    "Orange SA": "Orange"
  }
}

📖 Guide complet : docs/CUSTOMIZATION_GUIDE.md