pdf-to-artifacts-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 ```bash 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 ```bash which pdftotext mutool pdfgrep # Si ninguno responde → usar Python ``` ### Paso 2: Usar `fitz` (PyMuPDF) vía Python ```bash 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 ```bash 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)