Parte 3 20260317. T3 Proceso de extraccion de los N primeros textos de las paginas de cada documento скачать в хорошем качестве

Parte 3 20260317. T3 Proceso de extraccion de los N primeros textos de las paginas de cada documento

Parte 3 20260317. T3 Proceso de extraccion de los N primeros textos de las paginas de cada documento Se reciben los JPG del proceso de escaneo por las maquinas escanedoras de Buserdi Se analiza el corpus de JPG para determinar los segmentos o documentos y generar por cada pagina escaneada un archivo PDF Se integran todos los PDF de un expediente o segmento Se genera una bitacora con el analisis por cada JPG donde se obtienen metadatos como: talla, md5, ancho, alto, rotacion ... Se pegan todas las bitacoras CSV y se genera una BD Relacional SQLite Se extraen los N textos de las paginas y se genera un JSON por cada documento, usando la bibliotecas IBM docling Con el texto de las N primeras paginas se genera un vector por cada pagina usando la biblioteca de vectorizacion (embedding) BGE-m3 Se integran los vectores en una matriz con formato NPZ