Mode d'emploi · rag/src/documents.py

Un document : son texte brut, ou ses blocs

def chunk(self, doc): # chunker.py

 

doc # universites/charte-ia-uco.docx

 

doc.id, doc.format # chemin, "docx"

doc.meta["date"] # "2025" (+ status, source…)

doc.raw_text[:40]

# "Charte pour l'Usage de l'Intelligence…"

doc.blocks[:3]

# Block(heading, level=1, "Charte pour…")

# Block(heading, level=2, "PRÉAMBULE")

# Block(text, "L'intelligence artificielle…")

Les champs d'un Block

champ

contenu

kind

"heading", "text", "table"

text

le contenu

level

niveau de titre : 1, 2…

page

page du PDF

rows

lignes ; rows[0] = en-tête

rows[0][:3] → ['Année', '1981', '1982']
rows[1][0] → 'Nombre de plaintes reçues'
rows[1][1:3] → ['136', '151']

TP 1 : doc.raw_text, le texte tel que l'extrairait un outil générique · TP 2 : doc.blocks, la structure.