Spaces:
Runtime error
Runtime error
File size: 13,432 Bytes
f347e77 |
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 |
# if you are in production install waitress (pip install waitress) and put this code
"""from waitress import server
serve(app, host="0.0.0.0", port=8081) """
# before to run the app
# IMPORTATION DES BIBLIOHEQUES
import os
import sys
import cv2 # pip install opencv-python ...................................................
import numpy as np # pip install numpy ......................................................
import tensorflow as tf
from flask import Flask, request, render_template, jsonify
from flask_cors import CORS
from pdf2image import convert_from_path
import utils.prediction as pred # importion de notre module python de prediction
# INTIALISATION DE FLASK
app = Flask(__name__)
"""app.secret_key = "joelhhybghbgfgy"
CORS(app, support_credentials=True)
app.config['CORS_HEADERS'] = 'Content-Type"""
# CONFIGURATION DES CHEMINS ET CHARGEMENT DU MODELE
"""app.config['UPLOAD_PATH'] = "UPLOAD_FOLDER"
app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024"""
courant = os.path.abspath(os.path.dirname(sys.argv[0]))
ALLOWED_EXTENSIONS = {"txt", "pdf", "png", "jpg", "jpeg", "gif"}
# FONCTION POUR UNE ROUTE QUI N'EXISTE PAS
@app.errorhandler(404)
def page_not_found(error):
return render_template("errors/404.html"), 404
# FONCTION UPLOAD PLUS PREDICTION DE DOCUMENTS PDF COMME IMAGE
@app.route("/predict_files", methods=["POST"])
def predict_files():
# RECUPERATION DES DOC DANS UN FORMDATA AVEC 'files' COMME CLE DE CHAMP
files = request.files.getlist("files")
resultat = []
Extraction_caractere = "Pas disponible"
for file in files:
# determination du type de document if pdf else si image
name = file.filename
name_type = name.split(".")[-1].lower()
# si le document est un pdf
if name_type == "pdf":
# stocker le fichier dans le repertoire temporaire data
file.save(os.path.join(courant + "/data/", file.filename))
# convertir le fichier en image avec pdf2image
pages = convert_from_path(
os.path.join(courant + "/data/", file.filename), dpi=200
)
# suppression du pdf
os.remove(os.path.join(courant + "/data/" + name))
# stocker les images PIL de pages dans data
for idx, page in enumerate(pages):
page.save(
os.path.join(
courant + "/data/", str(file.filename) + str(idx) + ".jpg"
)
)
# recuperation des images et prediction
for idx, page in enumerate(pages):
# lecture de l'image et premiere prediction
npimg = np.fromfile(
os.path.join(
courant + "/data/" + str(file.filename) + str(idx) + ".jpg"
),
np.uint8,
)
output = pred.class_prediction(npimg)
# plus de precision sur la nature des documents
if output["CLASSE"] == "Justificatif d'identité":
Detail_output = pred.ID_prediction(npimg)
# si le justificatif est une piece d'identité alors on appelle la fonction d'extraction
# de caractere de la cni
if Detail_output["CLASSE"] == "CARTE D'IDENTITE":
Extraction_caractere = pred.CNI_Extraction(pred.ImgRogne(npimg))
elif output["CLASSE"] == "Justificatif d'adresse":
Detail_output = pred.ADR_prediction(npimg)
else:
Detail_output = pred.REV_prediction(npimg)
resultat.append(
[
{
"FAMILLE": output,
"NATURE": Detail_output,
"EXTRACTION": Extraction_caractere,
}
]
)
output = ""
output = ""
# suppression des images
for idx, page in enumerate(pages):
os.remove(
os.path.join(
courant + "/data/", str(file.filename) + str(idx) + ".jpg"
)
)
else: # si cest une image
npimg = np.fromfile(file, np.uint8) # lecture de l'image
output = pred.class_prediction(npimg)
# plus de precision sur la nature des documents
if output["CLASSE"] == "Justificatif d'identité":
Detail_output = pred.ID_prediction(npimg)
# si le justificatif est une piece d'identité alors on appelLe la fonction d'extraction
# de caractere de la cni
if Detail_output["CLASSE"] == "CARTE D'IDENTITE":
Extraction_caractere = pred.CNI_Extraction(pred.ImgRogne(npimg))
elif output["CLASSE"] == "Justificatif d'adresse":
Detail_output = pred.ADR_prediction(npimg)
else:
Detail_output = pred.REV_prediction(npimg)
resultat.append(
[
{
"FAMILLE": output,
"NATURE": Detail_output,
"EXTRACTION": Extraction_caractere,
}
]
)
return jsonify(resultat)
# FONCTION CLASSIFICATION DE DOCUMENTS PDF COMME IMAGE
@app.route("/classifications", methods=["POST"])
def classifications():
files = request.files.getlist("files")
# initialisation des listes
resultat = []
ADR_nature = []
REV_nature = []
ID_nature = []
for file in files:
# determination du type de document if pdf else si image
name = file.filename
name_type = name.split(".")[-1].lower()
# si le document est un pdf
if name_type == "pdf":
# stocker le fichier dans le repertoire temporaire data
file.save(os.path.join(courant + "/data/", file.filename))
# convertir le fichier en image avec pdf2image
pages = convert_from_path(
os.path.join(courant + "/data/", file.filename), dpi=200
)
# suppression du pdf
os.remove(os.path.join(courant + "/data/" + name))
# stocker les images PIL de pages dans data
for idx, page in enumerate(pages):
page.save(
os.path.join(
courant + "/data/", str(file.filename) + str(idx) + ".jpg"
)
)
# recuperation des images et prediction
for idx, page in enumerate(pages):
# lecture de l'image
npimg = np.fromfile(
os.path.join(
courant + "/data/" + str(file.filename) + str(idx) + ".jpg"
),
np.uint8,
)
output = pred.class_prediction(npimg)
# plus de precision sur la nature des documents pour une classification plus detaillée
# pour les justificatifs d'identité
if output["CLASSE"] == "Justificatif d'identité":
Detail_output = pred.ID_prediction(npimg)
# ajout des information de prediction dans un json
ID_nature.append(
{
"NOM": str(file.filename) + str(idx) + ".jpg",
"FAMILLE": output,
"NATURE": Detail_output,
}
)
# pour les justificatifs d'adresse
elif output["CLASSE"] == "Justificatif d'adresse":
Detail_output = pred.ADR_prediction(npimg)
# ajout des information de pridiction dans un json
ADR_nature.append(
{
"NOM": str(file.filename) + str(idx) + ".jpg",
"FAMILLE": output,
"NATURE": Detail_output,
}
)
# pour les justificatifs de revenu
else:
Detail_output = pred.REV_prediction(npimg)
# ajout des information de prEdiction dans un json
REV_nature.append(
{
"NOM": str(file.filename) + str(idx) + ".jpg",
"FAMILLE": output,
"NATURE": Detail_output,
}
)
output = ""
output = ""
# suppression des images
for idx, page in enumerate(pages):
os.remove(
os.path.join(
courant + "/data/", str(file.filename) + str(idx) + ".jpg"
)
)
else: # si cest une image
npimg = np.fromfile(file, np.uint8)
output = pred.class_prediction(npimg)
# pour les justificatifs d'identite
if output["CLASSE"] == "Justificatif d'identité":
Detail_output = pred.ID_prediction(npimg)
# ajout des information de pridiction dans un json
ID_nature.append(
{
"NOM": str(file.filename),
"FAMILLE": output,
"NATURE": Detail_output,
}
)
# pour les justificatifs d'adresse
elif output["CLASSE"] == "Justificatif d'adresse":
Detail_output = pred.ADR_prediction(npimg)
# ajout des information de pridiction dans un json
ADR_nature.append(
{
"NOM": str(file.filename),
"FAMILLE": output,
"NATURE": Detail_output,
}
)
# pour les justificatifs de revenu
else:
Detail_output = pred.REV_prediction(npimg)
# ajout des information de pridiction dans un json
REV_nature.append(
{
"NOM": str(file.filename),
"FAMILLE": output,
"NATURE": Detail_output,
}
)
output = ""
# le fichier json fichier regroupant toute les information
resultat.append({"ID": ID_nature, "ADR": ADR_nature, "REV": REV_nature})
return jsonify(resultat)
# FONCTION EXTRACTION VIVA DE DOCUMENTS PDF COMME IMAGE
@app.route("/visa_extraction", methods=["POST"])
def visa_extraction():
# RECUPERATION DES DOC DANS UN FORMDATA AVEC 'files' COMME CLE DE CHAMP
files = request.files.getlist("files")
resultat = []
for file in files:
# determination du type de document if pdf else si image
name = file.filename
name_type = name.split(".")[-1].lower()
# si le document est un pdf
if name_type == "pdf":
# stocker le fichier dans le repertoire temporaire data
file.save(os.path.join(courant + "/data/", file.filename))
# convertir le fichier en image avec pdf2image
pages = convert_from_path(
os.path.join(courant + "/data/", file.filename), dpi=200
)
# suppression du pdf
os.remove(os.path.join(courant + "/data/" + name))
# stocker les images PIL de pages dans data
for idx, page in enumerate(pages):
page.save(
os.path.join(
courant + "/data/", str(file.filename) + str(idx) + ".jpg"
)
)
# recuperation des images et prediction
for idx, page in enumerate(pages):
# lecture de l'image et premiere prediction
npimg = np.fromfile(
os.path.join(
courant + "/data/" + str(file.filename) + str(idx) + ".jpg"
),
np.uint8,
)
output = pred.VISA_Extraction(pred.ImgRogne(npimg))
# ajout des information d'extraction dans un json
resultat.append(
{
"NOM": output,
}
)
output = ""
output = ""
# suppression des images
for idx, page in enumerate(pages):
os.remove(
os.path.join(
courant + "/data/", str(file.filename) + str(idx) + ".jpg"
)
)
else: # si cest une image
npimg = np.fromfile(file, np.uint8) # lecture de l'image
output = pred.VISA_Extraction(pred.ImgRogne(npimg))
resultat.append(
{
"NOM": output,
}
)
return jsonify(resultat)
if __name__ == "__main__":
app.run(host="0.0.0.0", port=8081, debug=True)
# app.run(debug=True)
|