Da PDF a Markdown

Le colonne si trovano dando la caccia ai canali: strisce verticali che nessuna riga attraversa, estese per quasi tutta la fascia di testo. La larghezza da sola non prova niente. Un rapporto a colonna unica con una sola griglia di due celle ha spazi stretti sparsi ovunque, e una soglia sulla larghezza li chiamerebbe tutti confini di colonna. Quello che decide è un'altra cosa: un canale vero lo rispetta ogni riga del corpo, e la quota di altezza coperta sui due fianchi dà il verdetto. Le fasce ricorrenti si confrontano azzerando le cifre, perché «Pagina 3 di 40» e «Pagina 4 di 40» sono lo stesso piè di pagina. Sei pagine su dieci. Sotto quella quota, la riga resta. Le griglie sono la parte onesta. Tre o più righe consecutive i cui frammenti iniziano a posizioni x che grosso modo coincidono formano una tabella; la prosa no. I confini si raggruppano con una tolleranza proporzionale al corpo del carattere, e ogni tabella esce con un valore di confidenza: la quota delle sue righe che li rispetta davvero. Sotto 0,6 viene scritta comunque, segnalata e alzata come avviso. Inventare celle sarebbe peggio. Le immagini arrivano ritagliate dalla pagina rasterizzata a 216 dpi, non estratte dal flusso originale. Costa la risoluzione nativa e compra la sopravvivenza a qualunque codifica un PDF possa portarsi dentro. Il pacchetto contiene un frammento per riga in JSONL, ognuno con il suo percorso di titoli, le pagine, la stima di token e lo SHA-256, più una mappa che dice quale pagina ha prodotto ogni blocco. I frammenti si tagliano sui bordi dei blocchi. Sempre. Spezzare un paragrafo a metà frase per centrare un conteggio di token produce pezzi che nessuno legge da soli, e questo affossa del tutto il recupero.