""" 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)