PDF to Markdown Parser System

Características

• Extracción de texto estructurado: Mantiene jerarquías, títulos, párrafos, listas
• Extracción de imágenes: Detecta y guarda imágenes con referencias en Markdown * con bugs pero en proceso
• Conversión de tablas: Convierte tablas a formato Markdown/CSV * algunos casos fallan
• Fórmulas matemáticas: Detecta y convierte a LaTeX * salen muy mal, pero trabajando en eso
• Formularios y encuestas: Detecta preguntas de selección múltiple
• Procesamiento por páginas: Iteración progresiva con validaciones intermedias
• Arquitectura multiagente: Sistema modular y extensible

Instalación

pip install -r requirements.txt

Configuración

Crea un archivo .env con tu API key de OpenAI:

OPENAI_API_KEY=tu_api_key_aqui

Uso

Procesamiento básico

from pparser import PDFProcessor

processor = PDFProcessor()
result = processor.process_pdf("documento.pdf", output_dir="output/")

Procesamiento en lote

from pparser import BatchProcessor

batch = BatchProcessor()
batch.process_directory("pdfs/", "outputs/")

Arquitectura

El sistema utiliza los siguientes agentes especializados:

• TextExtractor: Extrae texto estructurado
• ImageExtractor: Detecta y extrae imágenes
• TableExtractor: Convierte tablas a Markdown/CSV
• FormulaExtractor: Detecta y convierte fórmulas matemáticas
• FormDetector: Identifica formularios y preguntas
• StructureBuilder: Ensambla el Markdown final
• QualityValidator: Verifica la calidad de la conversión

Estructura del proyecto

pparser/
├── agents/           # Agentes especializados
├── extractors/       # Módulos de extracción
├── utils/           # Utilidades y helpers
├── workflows/       # Flujos de LangGraph
└── processors/      # Procesadores principales

Flujo de procesamiento

1. Análisis inicial: Determina estructura del PDF
2. Extracción paralela: Cada agente procesa su especialidad
3. Consolidación: Ensambla todos los elementos
4. Validación: Verifica calidad y completitud
5. Generación: Crea Markdown final y assets

Formato de salida

output/
├── documento.md     # Markdown estructurado
├── images/          # Imágenes extraídas
├── tables/          # Tablas en CSV (opcional)
└── metadata.json    # Información del procesamiento