mirror of
https://github.com/Ladebeze66/llm_ticket3.git
synced 2025-12-16 04:17:48 +01:00
157 lines
6.4 KiB
Python
157 lines
6.4 KiB
Python
#!/usr/bin/env python3
|
|
# -*- coding: utf-8 -*-
|
|
|
|
"""
|
|
Fonctions utilitaires pour nettoyer le HTML et formater les dates.
|
|
Version consolidée : intègre la fonctionnalité de base avec des améliorations
|
|
pour le traitement des messages transférés.
|
|
"""
|
|
|
|
import re
|
|
from datetime import datetime
|
|
|
|
def clean_html(html_content, is_description=False):
|
|
"""
|
|
Nettoie le contenu HTML pour le Markdown.
|
|
Supprime les balises, les bas de page, les messages automatiques et les sections vides.
|
|
"""
|
|
if not html_content:
|
|
return ""
|
|
|
|
# Traitement spécifique pour les descriptions
|
|
if is_description:
|
|
# Suppression complète des balises font et autres balises de formatage
|
|
html_content = re.sub(r'<font[^>]*>|</font>', '', html_content)
|
|
html_content = re.sub(r'<p[^>]*>|</p>', '\n', html_content)
|
|
html_content = re.sub(r'<br[^>]*>', '\n', html_content)
|
|
|
|
# Suppression des balises HTML restantes
|
|
html_content = re.sub(r'<[^>]+>', '', html_content)
|
|
|
|
# Nettoyage des sauts de ligne multiples
|
|
html_content = re.sub(r'\n\s*\n', '\n\n', html_content)
|
|
|
|
# Suppression des espaces inutiles
|
|
html_content = re.sub(r'^\s+', '', html_content, flags=re.MULTILINE)
|
|
html_content = re.sub(r'\s+$', '', html_content, flags=re.MULTILINE)
|
|
|
|
# Nettoyage final
|
|
html_content = html_content.strip()
|
|
|
|
return html_content
|
|
|
|
# Traitement spécifique pour les messages transférés
|
|
if "\\-------- Message transféré --------" in html_content:
|
|
# Essayer d'extraire le contenu principal entre "Bonjour" et le disclaimer
|
|
match = re.search(r'Bonjour.*?(?=\n\s*_+Ce message)', html_content, re.DOTALL)
|
|
if match:
|
|
html_content = match.group(0).strip()
|
|
else:
|
|
# Si ce pattern ne fonctionne pas, essayer une approche plus générale
|
|
match = re.search(r'Copie à :.*?\n\s*\n(.*?)(?=\n\s*_+|\Z)', html_content, re.DOTALL)
|
|
if match:
|
|
html_content = match.group(1).strip()
|
|
|
|
# Transformer les balises h1 en titres Markdown
|
|
html_content = re.sub(r'<h1>(.*?)</h1>', r'### \1', html_content)
|
|
|
|
# Transformer les listes à puces
|
|
html_content = re.sub(r'<ul>(.*?)</ul>', r'\1', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'<li><b>(.*?)</b></li>', r'- **\1**\n', html_content)
|
|
html_content = re.sub(r'<li>(.*?)</li>', r'- \1\n', html_content)
|
|
|
|
# Supprimer les balises simples
|
|
html_content = re.sub(r'<br\s*/?>|<p>|</p>|<div>|</div>', '\n', html_content)
|
|
|
|
# Supprimer les bas de page et messages automatiques du support
|
|
html_content = re.sub(r'Droit à la déconnexion :.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'\*\s*\*\s*\*.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'Ce message électronique et tous les fichiers.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'Afin d\'assurer une meilleure traçabilité.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'_Confidentialité :.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'Support technique.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
|
|
# Suppression de l'image signature CBAO et autres images
|
|
html_content = re.sub(r'!\[CBAO - développeur de rentabilité.*?(?=\n\n|\Z)', '', html_content, flags=re.DOTALL)
|
|
html_content = re.sub(r'!\[.*?\]\(/web/image/.*?\)', '', html_content)
|
|
html_content = re.sub(r'!\[cid:.*?\]\(/web/image/.*?\)', '', html_content)
|
|
|
|
# Supprimer les balises HTML restantes
|
|
html_content = re.sub(r'<.*?>', '', html_content)
|
|
|
|
# Remplacer les entités HTML courantes
|
|
html_content = html_content.replace(' ', ' ')
|
|
html_content = html_content.replace('<', '<')
|
|
html_content = html_content.replace('>', '>')
|
|
html_content = html_content.replace('&', '&')
|
|
html_content = html_content.replace('"', '"')
|
|
|
|
# Supprimer les lignes avec uniquement des **
|
|
html_content = re.sub(r'^\s*\*\*\s*\*\*\s*$', '', html_content, flags=re.MULTILINE)
|
|
html_content = re.sub(r'^\s*\*\*\s*$', '', html_content, flags=re.MULTILINE)
|
|
|
|
# Supprimer le \--- à la fin des messages
|
|
html_content = re.sub(r'\\---\s*$', '', html_content)
|
|
|
|
# Supprimer les crochets isolés
|
|
html_content = re.sub(r'\[\s*$', '', html_content)
|
|
|
|
# Supprimer les lignes vides multiples
|
|
html_content = re.sub(r'\n\s*\n', '\n\n', html_content)
|
|
|
|
# Nettoyer au début et à la fin
|
|
html_content = html_content.strip()
|
|
|
|
# Supprimer les sections vides (comme "*Contenu vide*")
|
|
if not html_content or html_content.lower() == "*contenu vide*":
|
|
return "*Contenu vide*"
|
|
|
|
return html_content
|
|
|
|
def format_date(date_str):
|
|
"""
|
|
Formate une date ISO en format lisible.
|
|
"""
|
|
if not date_str:
|
|
return ""
|
|
|
|
try:
|
|
dt = datetime.fromisoformat(date_str.replace('Z', '+00:00'))
|
|
return dt.strftime("%d/%m/%Y %H:%M:%S")
|
|
except (ValueError, TypeError):
|
|
return date_str
|
|
|
|
if __name__ == "__main__":
|
|
# Test simple
|
|
html = """<p>Bonjour,</p>
|
|
<p>Voici un message avec <b>du HTML</b> et une signature.</p>
|
|
<p>Cordialement,</p>
|
|
<p>John Doe</p>
|
|
<p>Support technique</p>
|
|
<p>Afin d'assurer une meilleure traçabilité et vous garantir une prise en charge optimale,
|
|
nous vous invitons à envoyer vos demandes d'assistance technique à support@exemple.fr</p>
|
|
<p></p>
|
|
"""
|
|
|
|
cleaned = clean_html(html)
|
|
print("HTML nettoyé :\n", cleaned)
|
|
|
|
# Test avec un message transféré
|
|
forwarded = """\\-------- Message transféré -------- Sujet : | Test message
|
|
---|---
|
|
Date : | Mon, 30 Mar 2020 11:18:20 +0200
|
|
De : | [test@example.com](mailto:test@example.com)
|
|
Pour : | John Doe [](mailto:john@example.com)
|
|
Copie à : | [other@example.com](mailto:other@example.com)
|
|
|
|
Bonjour John,
|
|
|
|
Voici un message de test.
|
|
|
|
Cordialement,
|
|
Test User
|
|
|
|
__________________________________________________________________ Ce message et toutes les pièces jointes sont confidentiels et établis à l'intention exclusive de ses destinataires. __________________________________________________________________"""
|
|
|
|
cleaned_forwarded = clean_html(forwarded)
|
|
print("\nMessage transféré nettoyé :\n", cleaned_forwarded) |