PDF a Markdown

Las columnas se encuentran buscando canalones: franjas verticales que ninguna línea cruza y que recorren casi toda la banda de texto. La anchura por sí sola no prueba nada. Un informe de una sola columna con una cuadrícula de dos celdas tiene huecos estrechos repartidos por todas partes, y un umbral de anchura llamaría frontera de columna a cada uno, así que lo que zanja el asunto es que un canalón de verdad lo respeta cada línea del cuerpo, y decide la proporción de altura cubierta a ambos flancos. Los rótulos repetidos se comparan normalizando los dígitos, porque "Página 3 de 40" y "Página 4 de 40" son el mismo pie. Seis páginas de cada diez. Por debajo de eso, la línea se queda. Las cuadrículas son la parte honesta. Tres o más líneas seguidas cuyos fragmentos empiezan en posiciones x parecidas forman una tabla; la prosa no. Las fronteras se agrupan con una tolerancia proporcional al tamaño de letra, y cada tabla sale con una cifra de confianza: la proporción de sus líneas que las respeta de verdad. Por debajo de 0,6 se escribe igualmente, marcada y con un aviso encima. Inventar celdas sería peor. Las imágenes vienen recortadas de la página rasterizada a 216 dpi, no sacadas del flujo original. Eso cuesta resolución nativa y compra que sobrevivan a cualquier codificación que un PDF pueda llevar. El paquete lleva un fragmento por línea en JSONL, cada uno con su ruta de títulos, sus páginas, la estimación de tokens y su SHA-256, más un mapa que dice qué página produjo cada bloque. Los fragmentos se cortan en los bordes de bloque. Siempre. Partir un párrafo a mitad de frase para cuadrar un recuento de tokens deja trozos que nadie lee por separado, y eso arruina la recuperación por completo.