feat: fix parsing

src/plesna_gerance/parsers/locataires.py

@@ -6,6 +6,78 @@ from ..utils.dates import parse_french_date
 from ..utils.amounts import extract_amounts_from_line
 
 
+def _preprocess_locataires_text(text: str) -> str:
+    """Prétraite le texte pour fusionner les sections sur plusieurs pages.
+
+    Supprime les éléments répétés sur chaque page pour permettre une extraction
+    continue des locataires dont les données s'étalent sur plusieurs pages.
+
+    Args:
+        text: Texte brut du PDF
+
+    Returns:
+        Texte nettoyé avec une seule section SITUATION DES LOCATAIRES
+    """
+    lines = text.split("\n")
+    cleaned_lines = []
+    first_situation_found = False
+    in_situation_section = False
+
+    # Patterns à ignorer (en-têtes répétés sur chaque page)
+    skip_patterns = [
+        r"^\s*ROSIER-MODICA\s*$",
+        r"^\s*9 rue Juliette Récamier\s*$",
+        r"^\s*69455 Lyon Cedex 06\s*$",
+        r"^\s*S\.C\.I\.\s*PLESNA\s*$",
+        r"^\s*Immeuble\s*:\s*\d+\s*$",
+        r"^\s*\d+\s*RUE\s+",  # Adresse immeuble
+        r"^\s*69\d{3}\s+LYON\s*$",  # Code postal + ville
+        r"^\s*Lyon le \d{2}/\d{2}/\d{4}\s*$",  # Date
+        r"^\s*Powered by ICS\s*$",
+        r"^\s*\d+\s*/\s*\d+\s*$",  # Numéro de page (ex: 2/5)
+        r"^\s*Capital de",  # Pied de page
+        r"^\s*Garantie de",  # Pied de page
+    ]
+
+    # Pattern pour l'en-tête de colonnes
+    header_pattern = r"^\s*Locataires\s+Période\s+Loyers"
+
+    for line in lines:
+        stripped = line.strip()
+
+        # Ignorer les lignes vides
+        if not stripped:
+            cleaned_lines.append(line)
+            continue
+
+        # Vérifier si c'est un pattern à ignorer
+        should_skip = False
+        for pattern in skip_patterns:
+            if re.match(pattern, stripped, re.IGNORECASE):
+                should_skip = True
+                break
+
+        if should_skip:
+            continue
+
+        # Gérer SITUATION DES LOCATAIRES
+        if "SITUATION DES LOCATAIRES" in stripped:
+            if not first_situation_found:
+                first_situation_found = True
+                in_situation_section = True
+                cleaned_lines.append(line)
+            # Ignorer les occurrences suivantes
+            continue
+
+        # Ignorer les en-têtes de colonnes répétés
+        if re.match(header_pattern, stripped):
+            continue
+
+        cleaned_lines.append(line)
+
+    return "\n".join(cleaned_lines)
+
+
 def extract_situation_locataires(text: str) -> list[dict]:
     """Extrait la situation des locataires.
 
@@ -21,6 +93,9 @@ def extract_situation_locataires(text: str) -> list[dict]:
     """
     situations: list[dict] = []
 
+    # Prétraiter le texte pour gérer les lots sur plusieurs pages
+    text = _preprocess_locataires_text(text)
+
     # Trouver toutes les sections "SITUATION DES LOCATAIRES"
     sections = text.split("SITUATION DES LOCATAIRES")