PDF Processing

PDF Processing — Ecosistema Completo

Resumen

Ecosistema completo de procesamiento de PDFs que cubre todos los patrones de uso:

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