pdf-to-artifacts-david-antizar

name	pdf-to-artifacts-david-antizar
description	Pipeline de transformación de PDF a 3 artefactos — análisis técnico, post LinkedIn, infografía HTML + comparativa. Con marca Ntizar David Antizar, sistema Aurora, atribución correcta.
version	1.0.0
tags	["pdf","artifacts","linkedin","html","aurora","david-antizar"]

PDF → 3 Artifacts (Estilo David Antizar)

Descripción

Pipeline completo que, dado un PDF de informe técnico (especialmente del sector energía/transporte/infraestructuras), genera 3 artefactos con el branding y estilo de David Antizar:

1. Artefacto HTML — resumen interactivo con Aurora Design System (CDN), liquid glass, colores azul+naranja, tablas, KPIs, comparativas
2. Post LinkedIn — estilo David Antizar: datos duros, tono provocador-constructivo, estructura con secciones, emojis estratégicos, tesis clara
3. Nota de auditoría — en notes/ con fecha, hallazgos cuantificados, crítica metodológica

No es para

• Extracción de datos estructurados (JSON/CSV) de PDFs → usar pdf-llm-extraction (nuevo paradigma validado: font analysis + LLM, 100% confianza)
• OCR de documentos escaneados → usar ocr-quirurgico-pdf-md
• Conversión PDF → Markdown navegable → usar ocr-quirurgico-pdf-md

Atribución

Siempre poner David Antizar como autor. Mastermind es el agente ejecutor, David es el autor visible.

Footer HTML EXACTO: Hecho con (L) por David Antizar — NUNCA "Análisis por David Antizar", NUNCA "· vía Mastermind Agent", NUNCA "vía Mastermind". Literal exacto.

En el post LinkedIn: redacción en primera persona como si David lo escribiera. En las notas: "Autor: David Antizar".

Diseño Aurora

Usar Aurora Design System. No duplicar configuración aquí — cargar el skill aurora-design-system que es la fuente de verdad del branding visual.

Reglas que este pipeline hereda de aurora-design-system:

• CDN obligatorio (ntizar.css + ntizar.next.css)
• Skin aurora por defecto (azul + naranja + liquid glass)
• Footer con atribución: Hecho con (L) por David Antizar
• Sin CSS custom suelto

Para voz de LinkedIn de David Antizar, ver references/linkedin-voice.md. Para presupuestos de construcción, ver references/budget-dashboard-pattern.md.

Pipeline

Paso 1: Extraer PDF

python3 -c "
import fitz
doc = fitz.open('ruta.pdf')
text = ''
for page in doc: text += page.get_text()
print(text)
"

Paso 2: Analizar contenido

Identificar:

• Contexto (institución, fecha, autores)
• Datos clave (KPIs, tablas, cifras)
• Hallazgos principales (3-5)
• Metodología usada
• Recomendaciones/conclusiones
• Crítica metodológica

Paso 3: Generar HTML (Aurora)

Usar Aurora CDN. Estructura:

• Hero con nz-gradient-text y glass effect
• Cards KPI con clases Aurora + colores semánticos
• Tablas con .nz-table
• Highlight boxes con colores semánticos
• Comparativas €/km/tiempo por tipo
• Footer: "Análisis por David Antizar | Mastermind Agent"

Paso 4: Generar Post LinkedIn

Estructura del post:

1. Hook inicial — dato provocador o afirmación fuerte
2. Secciones con emojis (📉 ⏱️ 💰 🚗 🏡)
3. Datos duros intercalados con análisis
4. Conclusión/tesis clara al final
5. Hashtags (#MovilidadSostenible #Ferrocarril etc.)
6. SIN tablas markdown en LinkedIn (no renderizan)

Paso 5: Nota de auditoría

• Archivo: notes/YYYY-MM-DD-tema-auditoria.md
• Contexto, Hallazgos, Crítica metodológica, Valoración general

⚠️ PITFALL: Extracción de texto de PDFs — Fallback chain

Cuando pdftotext (poppler-utils) no está disponible en el PATH, usar esta cadena de fallback:

Paso 1: Verificar herramientas CLI disponibles

which pdftotext mutool pdfgrep  # Si ninguno responde → usar Python

Paso 2: Usar fitz (PyMuPDF) vía Python

python3 -c "
import fitz
doc = fitz.open('ruta.pdf')
text = ''
for page in doc: text += page.get_text()
print(text[:10000])  # Limitar para no saturar
"

Ventajas de fitz:

• Extrae texto página por página (útil para PDFs grandes)
• No requiere instalación adicional (ya viene en el entorno)
• Funciona con PDFs generados por Acrobat PDFMaker (donde pdf.js falla)

Paso 3: Guardar texto completo para parsing posterior

python3 -c "
import fitz
doc = fitz.open('ruta.pdf')
with open('/tmp/pdf_text.txt', 'w') as f:
    for page in doc: f.write(page.get_text())
"

Herramientas Python disponibles (verificar con pip list | grep -i pdf)

• fitz (PyMuPDF) — PRIMERA OPCIÓN, más fiable
• pdfplumber — buena para tablas
• PyPDF2 — fallback básico
• pdfminer — más lento pero preciso

⚠️ Limitaciones conocidas

• PDFs generados por Acrobat PDFMaker: pdf.js en navegador devuelve 0 palabras. Usar fitz siempre.
• PDFs con imágenes solo (sin texto): Necesitan OCR (tesseract, liteparse).
• PDFs muy grandes (>300 páginas): Extraer por secciones, no todo junto.

Verificación final

• HTML carga correctamente con Aurora CDN
• Post LinkedIn tiene voz de David Antizar
• Nota guardada en notes/
• Atribución: "Análisis por David Antizar" siempre visible
• Aurora skin aurora activa (azul+naranja)