davide
e1b5298b20
Porta da branch marker la riscrittura completa di conversione/_pipeline/ (9 stadi PyMuPDF) e la suite tests/ senza modificare il resto del progetto RAG (ollama/, step-5/, step-6/, step-8/, rag.py, retrieve.py, config.py). requirements.txt: aggiunge PyMuPDF>=1.24.0 e pytest>=8.0, mantiene chromadb, rimuove opendataloader-pdf e pymupdf4llm. Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
215 lines
6.8 KiB
Markdown
215 lines
6.8 KiB
Markdown
# CLAUDE.md
|
|
|
|
This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.
|
|
|
|
## Missione
|
|
|
|
Ricostruire la struttura logica di PDF digitali e serializzarla in Markdown **stabile e valido per la vettorizzazione RAG**, senza LLM né OCR. Il Markdown è solo il formato di output finale — la pipeline deve operare su una rappresentazione intermedia strutturata.
|
|
|
|
**Non supportato:** PDF scansionati (immagini), PDF protetti da password.
|
|
|
|
---
|
|
|
|
## Regole invarianti
|
|
|
|
- **Lingua:** Rispondi sempre in italiano.
|
|
- **Venv:** Usa `.venv/bin/python` o `source .venv/bin/activate`. Mai `pip`/`python` di sistema.
|
|
- **`raw.md` immutabile:** Non modificare mai `raw.md`. La copia di lavoro è sempre `clean.md`.
|
|
- **Niente LLM nella pipeline:** tutta la logica deve essere rule-based e riproducibile.
|
|
|
|
---
|
|
|
|
## Setup
|
|
|
|
```bash
|
|
python -m venv .venv
|
|
source .venv/bin/activate
|
|
pip install -r requirements.txt
|
|
```
|
|
|
|
Dipendenze principali:
|
|
|
|
- **PyMuPDF** (`fitz`) — estrazione primaria con metadati font e coordinate
|
|
- **pdfplumber** — ricostruzione tabelle (opzionale, non per parsing generico)
|
|
|
|
---
|
|
|
|
## Comandi
|
|
|
|
```bash
|
|
# Converti un PDF (posizionalo prima in sources/<nome>.pdf)
|
|
.venv/bin/python conversione/ --stem <nome>
|
|
|
|
# Forza riesecuzione (sovrascrive clean.md esistente)
|
|
.venv/bin/python conversione/ --stem <nome> --force
|
|
|
|
# Tutti i PDF in sources/
|
|
.venv/bin/python conversione/
|
|
|
|
# Validazione batch
|
|
.venv/bin/python conversione/ validate
|
|
.venv/bin/python conversione/ validate <stem> --detail
|
|
|
|
# Rimuove l'output di uno stem
|
|
bash conversione/clear.sh <nome>
|
|
|
|
# Test suite
|
|
.venv/bin/python -m pytest tests/
|
|
```
|
|
|
|
`--stem` = nome file PDF senza estensione.
|
|
|
|
---
|
|
|
|
## Architettura
|
|
|
|
### Principio fondamentale
|
|
|
|
La pipeline **non converte direttamente PDF → Markdown**.
|
|
|
|
```
|
|
PDF → Structured Document Tree → Markdown
|
|
```
|
|
|
|
Il Markdown è generato solo dall'albero documentale. Non dal testo grezzo.
|
|
|
|
### Modello dati intermedio
|
|
|
|
```python
|
|
class Block:
|
|
text: str
|
|
page: int
|
|
bbox: tuple
|
|
font_size: float
|
|
font_name: str
|
|
is_bold: bool
|
|
block_type: str # "header" | "paragraph" | "list" | "table" | "code"
|
|
|
|
class Section:
|
|
title: str
|
|
level: int # 1, 2, 3
|
|
content: list[Block]
|
|
children: list[Section]
|
|
```
|
|
|
|
Il Markdown si genera **solo** da `Section`. Mai da `Block` direttamente.
|
|
|
|
---
|
|
|
|
### I 9 stadi della pipeline
|
|
|
|
#### Stage 1 — Metadata Extraction
|
|
|
|
Usa `page.get_text("dict")` (o `"rawdict"`) di PyMuPDF. **Non usare estrazione plain text.**
|
|
|
|
Per ogni span estrai: testo, font size, font name, flags, bbox, numero di pagina.
|
|
Estrai anche: TOC del documento, bookmark, dimensioni pagina.
|
|
|
|
#### Stage 2 — Layout Analysis
|
|
|
|
Identifica i blocchi strutturali preservando l'ordine di lettura:
|
|
headers, paragrafi, liste, tabelle, code block, interruzioni di pagina.
|
|
|
|
#### Stage 3 — Font Analysis
|
|
|
|
Inferisce la gerarchia visiva **per documento** (non hardcoded):
|
|
- calcola il font size dominante del corpo
|
|
- raggruppa i font size in cluster
|
|
- identifica i candidati header per dimensione
|
|
|
|
#### Stage 4 — Header Detection
|
|
|
|
Segnali combinati (tutti richiesti):
|
|
- font size > corpo testo
|
|
- boldness / semibold
|
|
- numerazione (`^\d+(\.\d+)*\s+`)
|
|
- spaziatura verticale sopra/sotto
|
|
- lunghezza riga corta
|
|
|
|
#### Stage 5 — Hierarchy Inference
|
|
|
|
Priorità delle regole (in ordine):
|
|
|
|
1. **Numerazione** — `1` → H1, `1.1` → H2, `1.1.1` → H3 (ha precedenza sul font size)
|
|
2. **TOC del PDF** — se presente, è autoritativo; allineare i header rilevati alla sua gerarchia
|
|
3. **Font size clustering** — fallback se né numerazione né TOC esistono
|
|
|
|
#### Stage 6 — Document Tree Reconstruction
|
|
|
|
Costruisce l'albero `Section` con relazioni parent-child, ordinamento e nesting. Ogni nodo contiene titolo, livello, contenuto e figli.
|
|
|
|
#### Stage 7 — Markdown Generation
|
|
|
|
Serializza l'albero in Markdown valido:
|
|
- Header: `#`/`##`/`###` senza salti di livello
|
|
- Liste: preserva nesting ordered/unordered
|
|
- Tabelle: GitHub-compatible; fallback testo strutturato
|
|
- Code block: fenced con language tag dove rilevabile
|
|
|
|
#### Stage 8 — Hierarchy Normalization
|
|
|
|
Ripara le inconsistenze strutturali:
|
|
- salti di livello invalidi (`# A` → `#### B` diventa `# A` → `## B`)
|
|
- header vuoti (rimuovi o mergia)
|
|
- header consecutivi duplicati (collassa)
|
|
- nesting rotto
|
|
|
|
#### Stage 9 — Structural Validation
|
|
|
|
Valida il Markdown finale:
|
|
- nessun salto di livello heading
|
|
- nessuna sezione vuota
|
|
- liste correttamente annidate
|
|
- tabelle con colonne consistenti
|
|
- ordine uguale al PDF sorgente
|
|
|
|
---
|
|
|
|
## Cosa rende un Markdown perfetto per la vettorizzazione
|
|
|
|
- **Struttura semantica:** ogni header è un confine naturale di chunk; ogni sezione è un'unità concettuale.
|
|
- **Gerarchia corretta:** h1/h2/h3 riflettono la struttura logica, non il layout tipografico.
|
|
- **Testo pulito:** nessun artefatto di encoding, footnote superscript, `<br>`, dot-leader, PUA.
|
|
- **Paragrafi interi:** nessuna frase troncata da salto pagina.
|
|
- **Output deterministico:** stessa pipeline su stesso PDF produce sempre lo stesso output.
|
|
|
|
---
|
|
|
|
## Linee guida per sviluppare la pipeline
|
|
|
|
- Ogni stage deve essere **indipendentemente testabile**.
|
|
- Le regex per header numbering e simili vanno compilate in `_constants.py`, mai inline.
|
|
- PyMuPDF è il parser primario. pdfplumber si usa solo per tabelle complesse.
|
|
- Ogni stage deve ricevere l'output del precedente come struttura tipizzata, non testo grezzo.
|
|
- Prima di aggiungere un nuovo segnale di detection (Stage 4), validarlo su almeno 3 PDF diversi.
|
|
|
|
### Categorie di test richieste
|
|
|
|
| Categoria | Input | Validazione attesa |
|
|
|-----------|-------|-------------------|
|
|
| Header reconstruction | PDF con H1/H2/H3 numerati | gerarchia corretta, no level skip |
|
|
| TOC alignment | PDF con bookmark/TOC | markdown allineato al TOC |
|
|
| Mixed font sizes | Font inconsistenti, bold nel corpo | body non classificato come header |
|
|
| Broken layout | Header multi-riga, spacing irregolare | header mergiati, markdown valido |
|
|
| Tables | Tabelle nel PDF | markdown table con colonne preservate |
|
|
| Lists | Liste ordered/unordered annidate | nesting corretto |
|
|
| Large documents | PDF tecnico voluminoso | output deterministico, memoria stabile |
|
|
| Invalid hierarchy repair | `# A` + `#### B` artificiale | riparazione automatica in `# A` + `## B` |
|
|
|
|
---
|
|
|
|
## Pipeline attuale
|
|
|
|
La pipeline in `conversione/_pipeline/` (basata su trasformazioni testo con `_apply.py`) è **deprecata** e deve essere sostituita dall'architettura a 9 stadi descritta sopra. Durante la migrazione:
|
|
|
|
- separare estrazione da ricostruzione
|
|
- introdurre strutture intermedie esplicite (`Block`, `Section`)
|
|
- rimuovere l'architettura parser-centrica
|
|
- ogni stage deve essere indipendente e testabile
|
|
|
|
---
|
|
|
|
## Skills custom
|
|
|
|
- `/prepare-md <path|stem>` — corregge `clean.md` quando la pipeline non basta: sillabazione, artefatti residui, header malformati, gerarchia incoerente.
|