3. Espace de noms text:: — le texte

← Types · Sommaire · Suivant : struct:: →

25 fonctions pour extraire, normaliser, chercher et valider le texte d'un document.

Dans les fonctions marquées [text], l'argument est facultatif : sans lui, la fonction travaille sur tout le document ; avec lui, sur la chaîne que vous passez.

3.1 Extraction

check "Extraction" {
  contenu = text::extract_all()
  assert contenu.trim() != "", "PDF has no extractable text"

  couverture = text::extract_from_page(1)
  assert couverture.contains("User Manual"), "cover lacks the expected title"

  // Les pieds de page de fabrication (nom du fichier InDesign, date d'export)
  // survivent parfois jusqu'au fichier final
  pied = region(0, 0, 467, 40, "footer")
  doc.pages.each { |page|
    ligne = text::extract_from_region(page.number, pied)
    assert !ligne.contains(".indd"),
      "page #{page.number} has a production mark in the footer: #{ligne.trim()}"
  }
}

3.2 Normalisation et découpage

check "Normalization and splitting" {
  require text::normalize("  HELLO   World  ") == "hello world"

  mots = text::split_words("Hello, world! (test)")
  require mots.length == 3
  require mots.first() == "Hello"

  // Notices et contrats ont une limite pratique de lisibilité
  text::split_sentences().each { |phrase|
    assert phrase.length < 400,
      "sentence with #{phrase.length} characters — hard to read"
  }

  require text::count_words() > 100
  assert text::detect_language() == "en",
    "document should be in English, detected: #{text::detect_language()}"
}

3.3 Recherche et contenu obligatoire

La comparaison ignore la casse et les espaces.

profile "contract" {
  check "Mandatory clauses" {
    assert text::require_text("governing law"),
      "contract has no governing-law clause"
    assert text::require_match("\d{4}/\d{4}"), "contract number not found"
  }

  check "Forbidden terms" {
    assert text::forbid_text("DRAFT"), "document still marked as draft"
    assert text::forbid_text("lorem ipsum"), "placeholder text was not replaced"
    assert text::forbid_match("\d{2}-\d{2}-\d{4}"), "US-format date found"
  }

  check "Name with tolerance" {
    // Utile quand des fautes de frappe ou du bruit d'OCR sont attendus
    trouve = text::extract_from_region(1, region(50, 700, 300, 40))
    similarite = text::fuzzy_match("Paracetamol 750mg", trouve)
    assert similarite > 0.9,
      "product name differs from expected (#{round(similarite * 100)}% similar)"
  }
}

3.4 Données personnelles

text::detect_personal_data() et text::detect_pii() sont synonymes. Elles retournent la liste des données personnelles trouvées : CPF, CNPJ (identifiants fiscaux brésiliens), adresse e-mail et téléphone.

CPF et CNPJ n'entrent dans la liste que si la clé de contrôle est valide. Un numéro qui ressemble seulement à un CPF (111.111.111-12) ne déclenche aucune alerte.

check "Public document must carry no personal data" {
  trouves = text::detect_personal_data()
  assert trouves.length == 0, "personal data exposed: #{trouves.join("; ")}"

  // Chaque entrée ressemble à "CPF: 529.982.247-25"
  text::detect_pii().each { |item| print("found:", item) }
}

3.5 Validations de format

Formats de date acceptés : "dd/mm/aaaa" et "aaaa-mm-dd" ; sans deuxième argument, les deux sont acceptés.

check "Format validation" {
  require text::validate_cpf("529.982.247-25")
  require !text::validate_cpf("111.111.111-11")    // chiffres tous identiques
  require text::validate_cnpj("11.222.333/0001-81")

  require text::validate_date_format("29/02/2024")   // 2024 est bissextile
  require !text::validate_date_format("29/02/2023")  // 2023 ne l'est pas
  require !text::validate_date_format("31/04/2026")  // avril a 30 jours

  require text::validate_phone_format("(11) 98765-4321")

  // Code de lot au format de l'usine
  lot = text::extract_from_region(1, region(400, 50, 150, 20)).trim()
  assert text::validate_format(lot, "L\d{4}-\d{2}"),
    "batch code does not follow the L0000-00 pattern: #{lot}"
}

3.6 Comparaison et diagnostic

text::diff(a, b) liste les lignes qui changent (- retirée, + ajoutée). text::detect_rasterized_text() est vrai s'il existe du texte transformé en image.

check "Comparison and diagnostics" {
  changements = text::diff(text::extract_from_page(1), text::extract_from_page(2))
  print("changed lines:", changements.length)

  // Une page scannée ou vectorisée n'est ni cherchable ni lisible
  // par un lecteur d'écran
  assert !text::detect_rasterized_text(),
    "there are pages with rasterized text (scanned or outlined)"
}

Pour comparer deux fichiers, utilisez la commande pdfl compare : elle aligne les pages automatiquement. Voir le chapitre 11.

3.7 Exemple complet

// document_juridique.pdfl — validation d'un contrat
profile "standard-contract" {

  check "Required content" tags: ["legal"] {
    assert text::require_text("governing law"), "no governing-law clause"
    assert text::require_text("term of agreement"), "no term clause"
    assert text::require_match("\d{4}/\d{4}"), "no contract number"
  }

  check "No drafts" tags: ["legal"] {
    assert text::forbid_text("DRAFT"), "marked as draft"
    assert text::forbid_text("lorem ipsum"), "placeholder text present"
    assert text::forbid_match("XXX+"), "unfilled fields (XXX)"
  }

  check "Privacy" tags: ["compliance"] {
    trouves = text::detect_personal_data()
    assert trouves.length == 0,
      "personal data in a public document: #{trouves.join("; ")}"
  }

  check "Text quality" tags: ["text"] {
    assert text::detect_language() == "en", "document is not in English"
    assert !text::detect_rasterized_text(), "rasterized text blocks search"
    require text::count_words() > 200
  }
}

← Types · Sommaire · Suivant : struct:: →