Spaces:
Sleeping
Sleeping
File size: 9,929 Bytes
f729bac | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 | """
MIT License
Autor: Fernando Lafuente
Proyecto: Ejercicio opcional NLP - Chunking y Recuperación
Descripción: Extracción y limpieza de texto desde archivos PDF
Este módulo se encarga de extraer el contenido textual de documentos PDF
y aplicar técnicas de limpieza para preparar el texto para el chunking.
Utiliza PyMuPDF (fitz) para la extracción y aplica filtros pedagógicos
que mejoran la calidad del texto para procesamiento posterior.
"""
import logging
from pathlib import Path
from typing import Optional
import fitz # PyMuPDF
import settings
from utils_logging import setup_logging, log_operation_time, clean_text_basic, validate_text_length
# Configurar logger específico para este módulo
logger = setup_logging()
class PDFLoader:
"""
Clase para cargar y procesar documentos PDF.
Esta clase encapsula la lógica de extracción de texto desde archivos PDF,
aplicando técnicas de limpieza y validación que aseguran que el texto
resultante sea apropiado para chunking y generación de embeddings.
La extracción se realiza página por página para permitir un mejor control
sobre la calidad del texto y facilitar el debugging en documentos largos.
"""
def __init__(self):
"""
Inicializa el cargador de PDF con configuración por defecto.
"""
self.logger = logging.getLogger("chunking_system.pdf_loader")
@log_operation_time
def load_pdf(self, pdf_path: Path) -> str:
"""
Carga un archivo PDF y extrae todo su contenido textual.
Este método abre el PDF, procesa cada página individualmente,
extrae el texto y lo concatena en un único string. Aplica
limpieza básica y validaciones para asegurar calidad del texto.
Args:
pdf_path: Ruta al archivo PDF a procesar
Returns:
str: Texto completo extraído del PDF
Raises:
FileNotFoundError: Si el archivo PDF no existe
ValueError: Si el PDF está corrupto o no contiene texto
Example:
loader = PDFLoader()
texto = loader.load_pdf(Path("documento.pdf"))
"""
# Validar que el archivo existe
if not pdf_path.exists():
raise FileNotFoundError(f"Archivo PDF no encontrado: {pdf_path}")
self.logger.info(f"Iniciando carga de PDF: {pdf_path.name}")
try:
# Abrir documento PDF con PyMuPDF
pdf_document = fitz.open(str(pdf_path))
total_pages = pdf_document.page_count
self.logger.info(f"PDF abierto correctamente. Páginas totales: {total_pages}")
# Extraer texto de todas las páginas
all_text = []
for page_num in range(total_pages):
page_text = self._extract_page_text(pdf_document, page_num)
if page_text: # Solo agregar páginas con contenido
all_text.append(page_text)
self.logger.debug(f"Página {page_num + 1}: {len(page_text)} caracteres extraídos")
# Cerrar documento
pdf_document.close()
# Concatenar todo el texto
full_text = "\n\n".join(all_text)
# Aplicar limpieza final
clean_text = self._clean_extracted_text(full_text)
# Validar que se extrajo contenido útil
if not validate_text_length(clean_text):
raise ValueError(f"El PDF no contiene suficiente texto válido: {pdf_path}")
self.logger.info(f"Extracción completada. Texto final: {len(clean_text)} caracteres")
return clean_text
except Exception as e:
self.logger.error(f"Error procesando PDF {pdf_path}: {str(e)}")
raise
def _extract_page_text(self, pdf_document: fitz.Document, page_num: int) -> str:
"""
Extrae texto de una página específica del PDF.
Este método privado se encarga de extraer el texto de una sola página,
aplicando técnicas específicas de PyMuPDF para obtener la mejor calidad
de texto posible. Maneja casos especiales como páginas vacías o con
elementos gráficos únicamente.
Args:
pdf_document: Documento PDF abierto con PyMuPDF
page_num: Número de página a procesar (base 0)
Returns:
str: Texto extraído de la página, limpio y validado
"""
try:
# Obtener la página
page = pdf_document[page_num]
# Extraer texto usando el método estándar de PyMuPDF
# El método get_text() retorna el texto en el orden de lectura
page_text = page.get_text()
# Aplicar limpieza básica específica para esta página
clean_page_text = clean_text_basic(page_text)
# Validar que la página contiene texto útil
if not validate_text_length(clean_page_text, min_length=10):
self.logger.debug(f"Página {page_num + 1} descartada: contenido insuficiente")
return ""
return clean_page_text
except Exception as e:
self.logger.warning(f"Error extrayendo texto de página {page_num + 1}: {str(e)}")
return ""
def _clean_extracted_text(self, text: str) -> str:
"""
Aplica limpieza específica al texto extraído de PDF.
Esta función implementa técnicas de limpieza especializadas para
texto extraído de PDFs, que suelen contener artefactos específicos
como headers/footers repetidos, numeración de páginas, etc.
Args:
text: Texto en bruto extraído del PDF
Returns:
str: Texto limpio listo para chunking
"""
if not text:
return ""
# Aplicar limpieza básica primero
clean_text = clean_text_basic(text)
# Limpieza específica para PDFs
# Eliminar líneas que son solo números (numeración de páginas)
lines = clean_text.split('\n')
filtered_lines = []
for line in lines:
line_stripped = line.strip()
# Descartar líneas vacías
if not line_stripped:
continue
# Descartar líneas que son solo números (posibles números de página)
if line_stripped.isdigit() and len(line_stripped) <= 3:
continue
# Descartar líneas muy cortas que probablemente son artefactos
if len(line_stripped) < 5:
continue
filtered_lines.append(line_stripped)
# Reconstruir texto
final_text = ' '.join(filtered_lines)
# Normalizar espacios finales
final_text = ' '.join(final_text.split())
return final_text
def get_pdf_metadata(self, pdf_path: Path) -> dict:
"""
Extrae metadatos del archivo PDF para información adicional.
Los metadatos pueden ser útiles para logging, debugging o para
personalizar el procesamiento según las características del documento.
Args:
pdf_path: Ruta al archivo PDF
Returns:
dict: Diccionario con metadatos del PDF
Example:
metadata = loader.get_pdf_metadata(pdf_path)
logger.info(f"Procesando: {metadata['title']}")
"""
try:
pdf_document = fitz.open(str(pdf_path))
metadata = {
'title': pdf_document.metadata.get('title', 'Sin título'),
'author': pdf_document.metadata.get('author', 'Desconocido'),
'subject': pdf_document.metadata.get('subject', ''),
'creator': pdf_document.metadata.get('creator', ''),
'pages': pdf_document.page_count,
'file_size': pdf_path.stat().st_size,
'encrypted': pdf_document.needs_pass
}
pdf_document.close()
return metadata
except Exception as e:
self.logger.warning(f"Error extrayendo metadatos de {pdf_path}: {str(e)}")
return {
'title': pdf_path.name,
'author': 'Desconocido',
'pages': 0,
'file_size': 0,
'encrypted': False
}
def load_pdf_from_settings() -> str:
"""
Función de conveniencia que carga el PDF configurado en settings.
Esta función utiliza la configuración centralizada para cargar
automáticamente el primer PDF encontrado en el directorio especificado.
Returns:
str: Texto extraído del PDF
Raises:
FileNotFoundError: Si no se encuentra ningún PDF
ValueError: Si el PDF no contiene texto válido
Example:
texto_documento = load_pdf_from_settings()
chunks = chunker.create_chunks(texto_documento)
"""
# Obtener ruta del PDF desde configuración
pdf_path = settings.get_pdf_file()
# Crear instancia del loader y procesar
loader = PDFLoader()
# Mostrar metadatos para información
metadata = loader.get_pdf_metadata(pdf_path)
logger.info(f"Cargando PDF: {metadata['title']} "
f"({metadata['pages']} páginas, {metadata['file_size']} bytes)")
# Cargar y retornar texto
return loader.load_pdf(pdf_path) |