Import initial de Vivier depuis l'hebergement OVH

src/extraction.php

@@ -0,0 +1,53 @@
+<?php
+declare(strict_types=1);
+
+/**
+ * Texte brut d'un CV, pour l'envoyer à l'analyse automatique.
+ * Renvoie null pour un PDF : l'API le lit directement.
+ * @throws RuntimeException si le format ne se lit pas
+ */
+function texte_du_cv(string $chemin, string $extension): ?string
+{
+    $lireXml = static function (string $chemin, array $parties, array $finsDeBloc): string {
+        $zip = new ZipArchive();
+        if ($zip->open($chemin) !== true) {
+            throw new RuntimeException(t('Le fichier est illisible ou endommagé.'));
+        }
+        $texte = '';
+        // Parcours dans l'ordre des motifs : l'en-tête sort avant le corps, quel que soit l'ordre dans l'archive
+        foreach ($parties as $motif) {
+            for ($i = 0; $i < $zip->numFiles; $i++) {
+                $nom = (string) $zip->getNameIndex($i);
+                if (preg_match($motif, $nom)) {
+                    $xml = (string) $zip->getFromIndex($i);
+                    $xml = preg_replace('#<(w:tab|text:tab)\b[^>]*/>#', "\t", $xml) ?? $xml;
+                    $xml = preg_replace('#<(w:br|w:cr|text:line-break)\b[^>]*/>#', "\n", $xml) ?? $xml;
+                    $xml = preg_replace('#</(' . implode('|', $finsDeBloc) . ')>#', "\n", $xml) ?? $xml;
+                    $texte .= html_entity_decode(strip_tags($xml), ENT_QUOTES | ENT_XML1, 'UTF-8') . "\n";
+                }
+            }
+        }
+        $zip->close();
+        return $texte;
+    };
+
+    $texte = match ($extension) {
+        'pdf'        => null,
+        'md', 'txt'  => (string) file_get_contents($chemin),
+        // L'en-tête et le pied de page portent souvent les coordonnées
+        'docx'       => $lireXml($chemin, ['#^word/header\d*\.xml$#', '#^word/document\.xml$#', '#^word/footer\d*\.xml$#'], ['w:p']),
+        'odt'        => $lireXml($chemin, ['#^content\.xml$#'], ['text:p', 'text:h']),
+        default      => throw new RuntimeException(t('L\'analyse automatique lit les fichiers PDF, DOCX, ODT, MD et TXT. Convertissez ce fichier en PDF.')),
+    };
+    if ($texte === null) {
+        return null;
+    }
+    if (!mb_check_encoding($texte, 'UTF-8')) {
+        $texte = mb_convert_encoding($texte, 'UTF-8', 'Windows-1252');
+    }
+    $texte = trim(preg_replace("/\n{3,}/", "\n\n", preg_replace('/[ \t]+\n/', "\n", $texte) ?? $texte) ?? $texte);
+    if (mb_strlen($texte) < 200) {
+        throw new RuntimeException(t('Le fichier contient trop peu de texte. S\'il s\'agit d\'un document scanné, chargez-le en PDF.'));
+    }
+    return mb_substr($texte, 0, 150000);
+}