ntizar 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:
- Artefacto HTML — resumen interactivo con Aurora Design System (CDN), liquid glass, colores azul+naranja, tablas, KPIs, comparativas
- Post LinkedIn — estilo David Antizar: datos duros, tono provocador-constructivo, estructura con secciones, emojis estratégicos, tesis clara
- 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
aurorapor 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-texty 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:
- Hook inicial — dato provocador o afirmación fuerte
- Secciones con emojis (📉 ⏱️ 💰 🚗 🏡)
- Datos duros intercalados con análisis
- Conclusión/tesis clara al final
- Hashtags (#MovilidadSostenible #Ferrocarril etc.)
- 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 fiablepdfplumber— buena para tablasPyPDF2— fallback básicopdfminer— 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)