pdf-processing

# 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 preservation - `pdf-to-landing` → Para conversión PDF → landing page - `pdf-to-artifacts-david-antizar` → Para generar artefactos de contenido - `markitdown` → Para conversión genérica multi-formato - `liteparse-rust-pdf-ocr` → Para OCR rápido con Rust - `liteparse-document-ai-parsing` → Para extracción con LLM integrado - `pdf-llm-extraction` → Para datos estructurados con LLM - `pdf-regex-structured-extraction` → Para datos estructurados con regex