File size: 18,114 Bytes
ea8cc69
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
6362212
ea8cc69
 
 
6362212
 
 
ea8cc69
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
cecde1f
ea8cc69
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
"""Intégration eScriptorium — import et export via API REST.

Fonctionnement
--------------
1. Authentification par token (settings → API key dans eScriptorium)
2. Listing et import de projets, documents et transcriptions
3. Export des résultats de benchmark Picarones comme couche OCR dans eScriptorium

API eScriptorium
----------------
eScriptorium expose une API REST documentée à /api/.
Les endpoints principaux utilisés ici :
- GET  /api/projects/                → liste des projets
- GET  /api/documents/               → liste des documents (filtrables par projet)
- GET  /api/documents/{pk}/parts/    → liste des pages d'un document
- GET  /api/documents/{pk}/parts/{pk}/transcriptions/  → transcriptions d'une page
- POST /api/documents/{pk}/parts/{pk}/transcriptions/  → créer une couche OCR

Usage
-----
>>> from picarones.importers.escriptorium import EScriptoriumClient
>>> client = EScriptoriumClient("https://escriptorium.example.org", token="abc123")
>>> projects = client.list_projects()
>>> corpus = client.import_document(doc_id=42, transcription_layer="manual")
"""

from __future__ import annotations

import json
import logging
import urllib.error
import urllib.parse
import urllib.request
from dataclasses import dataclass, field
from pathlib import Path
from typing import TYPE_CHECKING, Optional

from picarones.core.corpus import Corpus, Document

if TYPE_CHECKING:
    from picarones.core.results import BenchmarkResult

logger = logging.getLogger(__name__)

# ---------------------------------------------------------------------------
# Structures de données eScriptorium
# ---------------------------------------------------------------------------

@dataclass
class EScriptoriumProject:
    """Représentation d'un projet eScriptorium."""
    pk: int
    name: str
    slug: str
    owner: str = ""
    document_count: int = 0

    def as_dict(self) -> dict:
        return {
            "pk": self.pk,
            "name": self.name,
            "slug": self.slug,
            "owner": self.owner,
            "document_count": self.document_count,
        }


@dataclass
class EScriptoriumDocument:
    """Représentation d'un document eScriptorium."""
    pk: int
    name: str
    project: str = ""
    part_count: int = 0
    transcription_layers: list[str] = field(default_factory=list)

    def as_dict(self) -> dict:
        return {
            "pk": self.pk,
            "name": self.name,
            "project": self.project,
            "part_count": self.part_count,
            "transcription_layers": self.transcription_layers,
        }


@dataclass
class EScriptoriumPart:
    """Une page (part) d'un document eScriptorium."""
    pk: int
    title: str
    image_url: str
    order: int = 0
    transcriptions: list[dict] = field(default_factory=list)


# ---------------------------------------------------------------------------
# Client API eScriptorium
# ---------------------------------------------------------------------------

class EScriptoriumClient:
    """Client pour l'API REST d'eScriptorium.

    Parameters
    ----------
    base_url:
        URL racine de l'instance (ex : ``"https://escriptorium.example.org"``).
    token:
        Token d'authentification API (depuis Settings > API dans eScriptorium).
    timeout:
        Timeout HTTP en secondes.

    Examples
    --------
    >>> client = EScriptoriumClient("https://escriptorium.example.org", token="abc123")
    >>> projects = client.list_projects()
    >>> corpus = client.import_document(42, transcription_layer="manual")
    """

    def __init__(
        self,
        base_url: str,
        token: str,
        timeout: int = 30,
    ) -> None:
        self.base_url = base_url.rstrip("/")
        self.token = token
        self.timeout = timeout

    # ------------------------------------------------------------------
    # HTTP helpers
    # ------------------------------------------------------------------

    def _headers(self) -> dict[str, str]:
        return {
            "Authorization": f"Token {self.token}",
            "Accept": "application/json",
            "Content-Type": "application/json",
        }

    def _get(self, path: str, params: Optional[dict] = None) -> dict:
        """Effectue une requête GET et retourne le JSON."""
        url = f"{self.base_url}/api/{path.lstrip('/')}"
        if params:
            url += "?" + urllib.parse.urlencode(params)
        req = urllib.request.Request(url, headers=self._headers())
        try:
            with urllib.request.urlopen(req, timeout=self.timeout) as resp:
                return json.loads(resp.read().decode("utf-8"))
        except urllib.error.HTTPError as exc:
            raise RuntimeError(
                f"eScriptorium API erreur {exc.code} sur {url}: {exc.reason}"
            ) from exc
        except urllib.error.URLError as exc:
            raise RuntimeError(
                f"Impossible de joindre {self.base_url}: {exc.reason}"
            ) from exc

    def _post(self, path: str, payload: dict) -> dict:
        """Effectue une requête POST avec payload JSON."""
        url = f"{self.base_url}/api/{path.lstrip('/')}"
        data = json.dumps(payload).encode("utf-8")
        req = urllib.request.Request(
            url, data=data, headers=self._headers(), method="POST"
        )
        try:
            with urllib.request.urlopen(req, timeout=self.timeout) as resp:
                body = resp.read().decode("utf-8")
                return json.loads(body) if body else {}
        except urllib.error.HTTPError as exc:
            raise RuntimeError(
                f"eScriptorium API erreur {exc.code} sur {url}: {exc.reason}"
            ) from exc
        except urllib.error.URLError as exc:
            raise RuntimeError(
                f"Impossible de joindre {self.base_url}: {exc.reason}"
            ) from exc

    def _paginate(self, path: str, params: Optional[dict] = None) -> list[dict]:
        """Parcourt toutes les pages de résultats paginés."""
        results: list[dict] = []
        current_params = dict(params or {})
        current_params.setdefault("page_size", 100)
        page_num = 1
        while True:
            current_params["page"] = page_num
            data = self._get(path, current_params)
            if isinstance(data, list):
                results.extend(data)
                break
            results.extend(data.get("results", []))
            if not data.get("next"):
                break
            page_num += 1
        return results

    # ------------------------------------------------------------------
    # API publique
    # ------------------------------------------------------------------

    def test_connection(self) -> bool:
        """Vérifie que l'URL et le token sont valides.

        Returns
        -------
        bool
            True si l'authentification réussit.
        """
        try:
            self._get("projects/", {"page_size": 1})
            return True
        except RuntimeError:
            return False

    def list_projects(self) -> list[EScriptoriumProject]:
        """Retourne la liste des projets accessibles.

        Returns
        -------
        list[EScriptoriumProject]
        """
        raw = self._paginate("projects/")
        projects = []
        for item in raw:
            projects.append(EScriptoriumProject(
                pk=item["pk"],
                name=item.get("name", ""),
                slug=item.get("slug", ""),
                owner=item.get("owner", {}).get("username", "") if isinstance(item.get("owner"), dict) else str(item.get("owner", "")),
                document_count=item.get("documents_count", 0),
            ))
        return projects

    def list_documents(
        self,
        project_pk: Optional[int] = None,
    ) -> list[EScriptoriumDocument]:
        """Retourne la liste des documents, filtrés par projet si fourni.

        Parameters
        ----------
        project_pk:
            PK du projet eScriptorium (optionnel).

        Returns
        -------
        list[EScriptoriumDocument]
        """
        params: dict = {}
        if project_pk is not None:
            params["project"] = project_pk
        raw = self._paginate("documents/", params)
        docs = []
        for item in raw:
            layers = [
                t.get("name", "") if isinstance(t, dict) else str(t)
                for t in item.get("transcriptions", [])
            ]
            docs.append(EScriptoriumDocument(
                pk=item["pk"],
                name=item.get("name", ""),
                project=str(item.get("project", "")),
                part_count=item.get("parts_count", 0),
                transcription_layers=layers,
            ))
        return docs

    def list_parts(self, doc_pk: int) -> list[EScriptoriumPart]:
        """Retourne les pages (parts) d'un document.

        Parameters
        ----------
        doc_pk:
            PK du document eScriptorium.

        Returns
        -------
        list[EScriptoriumPart]
        """
        raw = self._paginate(f"documents/{doc_pk}/parts/")
        parts = []
        for item in raw:
            parts.append(EScriptoriumPart(
                pk=item["pk"],
                title=item.get("title", "") or f"Part {item.get('order', 0) + 1}",
                image_url=item.get("image", "") or "",
                order=item.get("order", 0),
            ))
        return parts

    def get_transcriptions(self, doc_pk: int, part_pk: int) -> list[dict]:
        """Retourne les transcriptions disponibles pour une page.

        Parameters
        ----------
        doc_pk:
            PK du document.
        part_pk:
            PK de la page.

        Returns
        -------
        list[dict]
            Chaque dict contient ``{"name": str, "content": str}``.
        """
        raw = self._get(f"documents/{doc_pk}/parts/{part_pk}/transcriptions/")
        if isinstance(raw, list):
            return raw
        return raw.get("results", [])

    def import_document(
        self,
        doc_pk: int,
        transcription_layer: str = "manual",
        output_dir: Optional[str] = None,
        download_images: bool = True,
        show_progress: bool = True,
    ) -> Corpus:
        """Importe un document eScriptorium comme corpus Picarones.

        Télécharge les images et récupère les transcriptions de la couche
        spécifiée comme vérité terrain.

        Parameters
        ----------
        doc_pk:
            PK du document dans eScriptorium.
        transcription_layer:
            Nom de la couche de transcription à utiliser comme GT.
        output_dir:
            Dossier local pour les images téléchargées. Si None, les images
            sont stockées en mémoire (pas de sauvegarde sur disque).
        download_images:
            Si True, télécharge les images dans output_dir.
        show_progress:
            Affiche une barre de progression tqdm.

        Returns
        -------
        Corpus
            Corpus Picarones avec documents et GT.
        """
        # Récupérer les métadonnées du document
        doc_info = self._get(f"documents/{doc_pk}/")
        doc_name = doc_info.get("name", f"document_{doc_pk}")

        parts = self.list_parts(doc_pk)
        if not parts:
            raise ValueError(f"Aucune page trouvée dans le document {doc_pk}")

        if show_progress:
            try:
                from tqdm import tqdm
                iterator = tqdm(parts, desc=f"Import {doc_name}")
            except ImportError:
                iterator = iter(parts)
        else:
            iterator = iter(parts)

        out_path: Optional[Path] = None
        if output_dir and download_images:
            out_path = Path(output_dir)
            out_path.mkdir(parents=True, exist_ok=True)

        documents: list[Document] = []
        for part in iterator:
            # Récupérer les transcriptions
            transcriptions = self.get_transcriptions(doc_pk, part.pk)
            gt_text = ""
            for t in transcriptions:
                layer_name = t.get("transcription", {}).get("name", "") if isinstance(t.get("transcription"), dict) else t.get("name", "")
                if layer_name == transcription_layer or not transcription_layer:
                    # Le contenu est dans "content" ou dans les lignes
                    lines = t.get("lines", []) or []
                    if lines:
                        gt_text = "\n".join(
                            line.get("content", "") or ""
                            for line in lines
                            if line.get("content")
                        )
                    else:
                        gt_text = t.get("content", "") or ""
                    break

            # Image
            image_path = part.image_url or f"escriptorium://doc{doc_pk}/part{part.pk}"
            if out_path and part.image_url and download_images:
                ext = Path(urllib.parse.urlparse(part.image_url).path).suffix or ".jpg"
                local_img = out_path / f"part_{part.pk:05d}{ext}"
                try:
                    urllib.request.urlretrieve(part.image_url, local_img)
                    image_path = str(local_img)
                except Exception as exc:
                    logger.warning("Impossible de télécharger l'image %s: %s", part.image_url, exc)

                # Sauvegarder la GT
                gt_path = out_path / f"part_{part.pk:05d}.gt.txt"
                gt_path.write_text(gt_text, encoding="utf-8")

            documents.append(Document(
                doc_id=f"part_{part.pk:05d}",
                image_path=image_path,
                ground_truth=gt_text,
                metadata={
                    "source": "escriptorium",
                    "doc_pk": doc_pk,
                    "part_pk": part.pk,
                    "part_title": part.title,
                    "transcription_layer": transcription_layer,
                },
            ))

        return Corpus(
            name=doc_name,
            source=f"{self.base_url}/document/{doc_pk}/",
            documents=documents,
            metadata={
                "escriptorium_url": self.base_url,
                "doc_pk": doc_pk,
                "transcription_layer": transcription_layer,
            },
        )

    def export_benchmark_as_layer(
        self,
        benchmark_result: "BenchmarkResult",
        doc_pk: int,
        engine_name: str,
        layer_name: Optional[str] = None,
        part_mapping: Optional[dict[str, int]] = None,
    ) -> int:
        """Exporte les résultats Picarones comme couche OCR dans eScriptorium.

        Parameters
        ----------
        benchmark_result:
            Résultats du benchmark Picarones.
        doc_pk:
            PK du document cible dans eScriptorium.
        engine_name:
            Nom du moteur dont on exporte les transcriptions.
        layer_name:
            Nom de la couche à créer (défaut : ``"picarones_{engine_name}"``).
        part_mapping:
            Correspondance ``doc_id → part_pk`` eScriptorium. Si None,
            la correspondance est inférée depuis les métadonnées des documents.

        Returns
        -------
        int
            Nombre de pages exportées avec succès.
        """
        if layer_name is None:
            layer_name = f"picarones_{engine_name}"

        # Trouver le rapport du moteur
        engine_report = None
        for report in benchmark_result.engine_reports:
            if report.engine_name == engine_name:
                engine_report = report
                break
        if engine_report is None:
            raise ValueError(f"Moteur '{engine_name}' introuvable dans les résultats.")

        exported = 0
        for doc_result in engine_report.document_results:
            if doc_result.engine_error:
                continue

            # Déterminer le part_pk
            part_pk: Optional[int] = None
            if part_mapping and doc_result.doc_id in part_mapping:
                part_pk = part_mapping[doc_result.doc_id]
            else:
                # Essayer d'extraire depuis doc_id (ex: "part_00042")
                try:
                    part_pk = int(doc_result.doc_id.replace("part_", "").lstrip("0") or "0")
                except ValueError:
                    logger.warning("Impossible de déterminer part_pk pour %s", doc_result.doc_id)
                    continue

            try:
                self._post(
                    f"documents/{doc_pk}/parts/{part_pk}/transcriptions/",
                    {
                        "name": layer_name,
                        "content": doc_result.hypothesis,
                        "source": "picarones",
                    },
                )
                exported += 1
                logger.debug("Exporté part %d → couche '%s'", part_pk, layer_name)
            except RuntimeError as exc:
                logger.warning("Erreur export part %d: %s", part_pk, exc)

        return exported


# ---------------------------------------------------------------------------
# Interface de niveau module
# ---------------------------------------------------------------------------

def connect_escriptorium(
    base_url: str,
    token: str,
    timeout: int = 30,
) -> EScriptoriumClient:
    """Crée et retourne un client eScriptorium authentifié.

    Parameters
    ----------
    base_url:
        URL de l'instance eScriptorium.
    token:
        Token API.
    timeout:
        Timeout HTTP.

    Returns
    -------
    EScriptoriumClient

    Raises
    ------
    RuntimeError
        Si la connexion échoue (URL invalide, token incorrect, serveur inaccessible).
    """
    client = EScriptoriumClient(base_url, token, timeout)
    if not client.test_connection():
        raise RuntimeError(
            f"Impossible de se connecter à {base_url}. "
            "Vérifiez l'URL et le token API."
        )
    return client