| name | pdf-processing |
| version | 1.0.0 |
| description | Ecosistema completo de procesamiento de PDFs: extracción de texto, OCR, extracción de datos estructurados, conversión a Markdown, generación de artefactos, y análisis de diseño. Cubre desde PDFs simples hasta pipelines de 1000+ documentos. |
| tags | ["pdf","ocr","extraction","markdown","landing","artifacts","pymupdf","fitz","markitdown","liteparse"] |
PDF Processing — Ecosistema Completo
Resumen
Ecosistema completo de procesamiento de PDFs que cubre todos los patrones de uso:
| Subskill | Cuándo usar | Output |
|---|
| PDF → Structured Data (LLM) | PDFs digitales con texto seleccionable, necesitas datos JSON/CSV | JSON validado con schema |
| PDF → Structured Data (Regex) | Formato predecible, sin LLM/cloud, volumen alto | CSV plano + JSON |
| OCR Quirúrgico | PDFs escaneados/imágenes, necesitas preservar layout | Markdown/HTML con posición exacta |
| PDF → Landing Page | PDF de propuesta de diseño → landing HTML generada | HTML responsive |
| PDF → 3 Artifacts | Informe técnico → HTML resumen + LinkedIn post + nota | 3 artefactos con branding |
| Markitdown | Conversión genérica multi-formato a Markdown | Markdown limpio |
| LiteParse (Rust) | PDF rápido con OCR + bounding boxes + layout | JSON con spatial data |
| LiteParse (AI) | Extracción con LLM + auto-learn schema | JSON/CSV con schema aprendido |
Decision Guide
¿El PDF tiene texto seleccionable?
├── NO → OCR Quirúrgico (si necesitas preservar layout)
│ └── ¿Necesitas datos estructurados? → PDF → Structured Data (LLM)
│ └── ¿Necesitas Markdown navegable? → OCR Quirúrgico
│
├── SÍ → ¿Necesitas datos estructurados (JSON/CSV)?
│ ├── Sí, sin LLM → PDF → Structured Data (Regex)
│ └── Sí, con LLM → PDF → Structured Data (LLM)
│
└── ¿Necesitas generar contenido a partir del PDF?
├── Landing page → PDF → Landing Page
├── Informe → artefactos → PDF → 3 Artifacts
├── Conversión genérica → Markitdown
└── OCR rápido con layout → LiteParse (Rust)
Sección 1: PDF → Structured Data (LLM)
Para: Extracción de datos estructurados de PDFs digitales usando PyMuPDF + LLM.
Validado: 270+ informes CIAF → 99.6% éxito.
Pipeline: Font analysis → section detection → LLM schema filling → JSON validation.
Pitfalls clave: span["text"] puede ser None, text limit analizar antes, directory search recursivo, rate limiting en batch.
Sección 2: PDF → Structured Data (Regex)
Para: Formato predecible, sin LLM/cloud, volumen alto, precisión determinística.
Pipeline: PyMuPDF → regex por campo → CSV/JSON aplanado.
Pitfalls clave: Backtracking catastrófico, doble escape, TOC confusión, year≠suceso, bilingüe duplicado.
Sección 3: OCR Quirúrgico
Para: PDFs escaneados/imágenes, necesitas preservar layout con precisión absoluta.
Pipeline: Corte página → clasificación → OCR fallback → ensamblado → vectorización ChromaDB.
Pitfalls clave: poppler no funciona en contenedores, render es caro (solo fallback), Tesseract necesita preprocesado.
Sección 4: PDF → Landing Page
Para: PDF de propuesta de diseño → landing page HTML generada por IA.
Pipeline: Extracción visual de colores (Median Cut) → análisis IA → generación HTML.
Pitfalls clave: pdf-parse v2.x rompe API, ESM + createRequire, .env en .dockerignore, colores genéricos sin extracción visual.
Sección 5: PDF → 3 Artifacts
Para: Informe técnico → HTML resumen + LinkedIn post + nota de auditoría.
Pipeline: Extracción texto → análisis contenido → generación HTML (Aurora) → LinkedIn post → nota.
Pitfalls clave: Atribución literal exacta, colores reales del PDF, fallback chain para extracción.
Sección 6: Markitdown
Para: Conversión genérica multi-formato a Markdown. Soporta 15+ formatos.
Pipeline: Plugin-based converter architecture → Markdown limpio.
Pitfalls clave: PDF tracking artifacts, \b\d+.\s regex come años, header stripping difiere por formato.
Sección 7: LiteParse (Rust)
Para: OCR rápido con bounding boxes, spatial extraction, multi-formato (PDF, DOCX, XLSX, PPTX, imágenes).
Pipeline: Rust core → PDFium → OCR selectivo → Grid Projection → JSON con layout.
Decision: Markitdown para conversión genérica, LiteParse para OCR rápido con layout.
Sección 8: LiteParse (AI)
Para: Extracción con LLM integrado, auto-learn schema desde análisis de fuentes PDF.
Pipeline: Rust parser → LLM extraction → JSON/CSV con schema aprendido.
Casos de uso: Informes oficiales (CIAF), facturas, contratos.
Referencias Cruzadas
ocr-quirurgico-pdf-md → Para PDFs escaneados con layout preservationpdf-to-landing → Para conversión PDF → landing pagepdf-to-artifacts-david-antizar → Para generar artefactos de contenidomarkitdown → Para conversión genérica multi-formatoliteparse-rust-pdf-ocr → Para OCR rápido con Rustliteparse-document-ai-parsing → Para extracción con LLM integradopdf-llm-extraction → Para datos estructurados con LLMpdf-regex-structured-extraction → Para datos estructurados con regex
