jtepe/slopclub

Use a ferramenta pdfread.py ao lado deste arquivo para ler PDFs. Execute de qualquer uma das seguintes formas:

• Com uv 0.11+ (preferencial): invoque pdfread.py diretamente — o shebang executa via uv run, e a primeira invocação baixa dependências e pode levar um minuto.
• Sem uv: python3 pdfread.py … funciona em qualquer Python 3.10+ que tenha pymupdf4llm>=0.0.17 instalado (pip install pymupdf4llm).

O comando search precisa de SQLite com FTS5; Pythons gerenciados por uv e quase todos os Pythons modernos de sistema o incluem, e o script exibe um erro claro caso contrário.

Execute pdfread.py --help para uso completo. Em resumo:

• pdfread.py info ARQUIVO — contagem de páginas, metadados, sumário/índice. Comece por aqui.
• pdfread.py search ARQUIVO "termos" — páginas que mencionam as palavras-chave, ranqueadas por BM25 com um trecho por resultado. A primeira busca constrói um índice em cache (segundos); buscas posteriores são instantâneas. Os termos são combinados com E, termo* corresponde a prefixos, --raw ativa a sintaxe completa do FTS5 ("frase exata", OU, PERTODE). Apenas camada de texto — páginas escaneadas são invisíveis para busca.
• pdfread.py text ARQUIVO --pages 10-25 — texto Markdown para um intervalo de páginas baseado em 1. Figuras aparecem como placeholders [image: p12-img2 640x480px].
• pdfread.py image ARQUIVO p12-img2 — salva essa figura como PNG e imprime seu caminho; visualize-a com sua ferramenta de leitura de arquivos.
• pdfread.py images ARQUIVO --pages 12 — lista os IDs das figuras nas páginas.
• pdfread.py render ARQUIVO 7 — renderiza uma página inteira (ou --rect x0,y0,x1,y1 recorte) como PNG; a alternativa para páginas escaneadas e qualquer coisa que a camada de texto não capturou.

Preservando contexto em PDFs grandes

Para perguntas pontuais ("onde o contrato menciona taxas de resgate?"), execute search primeiro e leia apenas as páginas com resultados com text --pages — sem necessidade de subagentes. O cache do índice é compartilhado, então subagentes também podem usar search sem reconstruí-lo.

Para síntese ampla, não despeje um documento inteiro na conversa principal. Em vez disso:

1. Execute info para obter a contagem de páginas e o sumário, e divida o documento em intervalos sensatos (por capítulo, ou ~15–25 páginas).
2. Crie um subagente por intervalo com instruções como: "Execute <caminho>/pdfread.py text <arquivo> --pages 10-25 e responda <à pergunta do usuário> / resuma em no máximo N palavras. Se um placeholder [image: ...] parecer relevante, extraia-o com o comando image e examine-o."
3. Mantenha apenas os resumos/respostas na conversa principal e sintetize a partir deles. Reconsulte páginas específicas você mesmo apenas quando um resumo indicar que a resposta está ali.

Notas

• Não há OCR: uma página sem camada de texto retorna apenas seu placeholder [image: ...] de página inteira (ou uma nota "nenhum texto extraível") — extraia ou render a página e leia a imagem visualmente.
• A extração é determinística: os IDs das imagens são estáveis entre execuções, então o ID reportado por um subagente pode ser extraído posteriormente da conversa principal.