baronguyen001/ai-automation-skills

Extrae texto y filas tabulares simples de un PDF para su uso posterior en cadenas de IA, sin necesidad de binarios OCR. Úsalo cuando el usuario solicite leer un PDF, convertirlo a texto, extraer tablas simples de estados de cuenta o informes, o alimentar contenido de PDF a un pipeline de LLM.

¿Qué es ai-automation-skills?

Esta habilidad permite extraer texto legible por máquina y tablas rudimentarias de archivos PDF digitales, sin depender de software OCR adicional. Está diseñada para flujos de trabajo que requieren procesamiento posterior del contenido del PDF, como resúmenes, clasificación o extracción estructurada mediante modelos de lenguaje (LLM). Se basa en bibliotecas Python puras como pypdf o pdfminer.six, lo que garantiza una instalación sencilla y evita dependencias externas. Además, incluye un detector simple de tablas basado en líneas para identificar filas delimitadas por tabulaciones o espacios repetidos. La habilidad preserva los límites de página, falla claramente cuando no se encuentra texto y puede segmentar el contenido por páginas o rangos para evitar saturar al LLM. Es ideal para entornos de automatización en los que se necesite extraer datos de informes, estados de cuenta o documentos similares de forma programática.

Compatible con~Claude Code~Codex CLI~Cursor✓Gemini CLI

npx skills add https://github.com/baronguyen001/ai-automation-skills/tree/HEAD/skills/pdf-text-extract

Documentación

Extracción de Texto de PDF

Usa esta habilidad cuando un flujo de trabajo necesite texto legible por máquina de un PDF digital antes de resumir, clasificar o realizar extracción estructurada. El asistente utiliza bibliotecas Python puras para PDF cuando están disponibles e incluye un detector de tablas simple basado en líneas para facilitar la limpieza posterior.

Cuándo invocar

El usuario dice: "extrae el texto de este PDF", "alimenta un PDF a la IA", "saca las tablas de este informe", "lee este estado de cuenta".
El PDF ya contiene texto seleccionable y no requiere OCR.

Cuándo NO invocar

El PDF es una imagen escaneada; usa en su lugar un flujo de trabajo con OCR.
El usuario necesita una reconstrucción de tabla con celdas fusionadas y fidelidad de diseño exacta.

Ejemplo concreto

Entrada del usuario:

Extrae el texto y las tablas aproximadas de este PDF para que Gemini pueda resumirlo.

Salida:

# Copia assets/extract.py en tu proyecto, luego:
from extract import extract_pdf

doc = extract_pdf("downloads/report.pdf")
print(doc["text"][:2000])
for table in doc["tables"]:
    print(table["page"], table["rows"][:3])

Instala pypdf o pdfminer.six en el proyecto de destino. No se requiere ningún binario OCR, y el asistente falla claramente cuando el PDF no tiene texto extraíble.

Patrón a aplicar

Prioriza la extracción de texto digital primero; no añadas OCR a menos que la fuente esté escaneada.
Conserva los límites de página para que las instrucciones posteriores puedan citar números de página.
Mantén la extracción de tablas simple: divide las filas por tabulaciones o espacios repetidos, luego deja que un paso de esquema posterior normalice las columnas.
Limita el texto enviado a un LLM por página/rango cuando el PDF sea extenso.
Falla con claridad cuando no se encuentre texto, en lugar de enviar un prompt vacío al flujo posterior.

Referencia: assets/extract.py.

Fuente

Destilado del uso en producción en los proyectos de automatización del autor. v1.0.0. Ver también: [[gemini-structured-output]], [[csv-report-writer]], [[s3-uploader]].

→ Construye el bot completo y ejecutable con Trawlkit.