EnDES - Sistema de Extracción de Datos de PDFs

Sistema web para extraer datos estructurados de fichas técnicas en PDF utilizando OpenAI GPT-5.1 y la Responses API.

📋 Descripción

EnDES es una aplicación PHP que permite:

• Subir fichas técnicas en formato PDF
• Procesar el contenido con IA (GPT-5.1)
• Extraer datos de productos y tablas técnicas
• Visualizar resultados en formato JSON y tablas HTML
• Descargar resultados estructurados

---

🗂️ Estructura de Archivos

EnDES/
├── index.php                      # Punto de entrada (redirige a login)
├── assets/
│   ├── app.js                     # JavaScript principal
│   └── styles.css                 # Estilos globales
├── config/
│   ├── config.php                 # Configuración principal (API keys, usuarios)
│   └── prompts.php                # Definición de prompts y parámetros
├── docs/                          # Directorio de PDFs subidos (creado automáticamente)
├── logs/                          # Logs de procesamiento (creado automáticamente)
└── src/
    ├── OpenAIClient.php           # Cliente para OpenAI Responses API
    └── php/
        ├── carga_pdf.php          # Interfaz principal de carga y procesamiento
        ├── layout_footer.php      # Footer común
        ├── layout_header.php      # Header común
        ├── login.php              # Sistema de autenticación
        ├── logout.php             # Cierre de sesión
        └── visualizador_cfle.php  # Visualizador de tablas JSON

---

📄 Descripción de Archivos

Archivo	Propósito	Dependencias
index.php	Punto de entrada, redirige a login o carga_pdf	config/config.php
config/config.php	Configuración: API keys, rutas, usuarios	Ninguna
config/prompts.php	Definición de prompts IA y parámetros	Ninguna
src/OpenAIClient.php	Cliente HTTP para OpenAI Responses API	config/config.php
src/php/login.php	Autenticación de usuarios	config/config.php, layout_header.php, layout_footer.php
src/php/logout.php	Cierre de sesión	Ninguna
src/php/carga_pdf.php	Interfaz principal: upload, procesamiento, resultados	config/config.php, config/prompts.php, OpenAIClient.php, layout_header.php, layout_footer.php
src/php/visualizador_cfle.php	Visualiza JSON como tablas HTML	Ninguna (standalone)
src/php/layout_header.php	Header HTML común	assets/styles.css
src/php/layout_footer.php	Footer HTML común	assets/app.js
assets/app.js	JavaScript para interactividad	Ninguna
assets/styles.css	Estilos CSS globales	Ninguna

---

⚙️ Configuración

1. Requisitos Previos

• PHP 7.4 o superior
• Extensión cURL habilitada
• Cuenta de OpenAI con acceso a GPT-5.1
• Servidor web (Apache/Nginx)

2. Configurar API de OpenAI

Editar config/config.php:

// Línea 14: Reemplazar con tu API key real
if (!defined('OPENAI_API_KEY')) define('OPENAI_API_KEY', 'sk-tu-api-key-aqui');

// Línea 17: Modelo por defecto
if (!defined('OPENAI_MODEL_ID')) define('OPENAI_MODEL_ID', 'gpt-5.1');

3. Configurar Usuarios

Editar config/config.php (líneas 25-28):

$users_config = [
    'admin' => '$2y$10$tu-hash-bcrypt-aqui',
    // Añadir más usuarios si es necesario
];

Generar hash de contraseña:

echo password_hash('tu-contraseña', PASSWORD_BCRYPT);

4. Permisos de Directorios

Asegurar que el servidor web pueda escribir en:

chmod 755 docs/
chmod 755 logs/

---

🎨 Personalización Visual

Favicon

Ubicación: assets/favicon.ico (crear si no existe)

Referencia en: src/php/layout_header.php

<link rel="icon" type="image/x-icon" href="../../assets/favicon.ico">

Logo de Login

Ubicación: assets/logo.png (crear si no existe)

Referencia en: src/php/login.php

<img src="../../assets/logo.png" alt="Logo" style="max-width: 200px;">

Estilos Globales

Archivo: assets/styles.css

Personalizar colores, fuentes, y diseño general.

---

🚀 Uso

1. Acceso al Sistema

1. Navegar a https://tu-dominio.com/ed_cfle2_a/
2. Iniciar sesión con usuario y contraseña
3. Serás redirigido a src/php/carga_pdf.php

2. Procesar un PDF

Paso 1: Subir archivo

• Seleccionar prompt: "Extracción de datos Cofem"
• Elegir archivo PDF
• Clic en "Subir Archivo"

Paso 2: Configurar parámetros

• Número de tablas (detectadas en el PDF)
• Modelo IA (gpt-5.1)
• Clic en "Ejecutar Análisis IA"

Paso 3: Ver resultados

• Vista previa del JSON
• Botón "📥 Descargar JSON Completo"
• Botón "👁️ Visualizar JSON" (abre visualizador)
• Botón "🔄 Procesar Otro Archivo"

3. Visualizador de Tablas

El visualizador (visualizador_cfle.php) convierte automáticamente:

• Objetos de producto → Tablas HTML con campos como filas
• Tablas HTML → Renderizado directo del HTML

Formato JSON soportado:

{
  "Matriz": [
    {
      "nombre_del_producto": "Producto X",
      "codigo_referencia": "REF-001",
      "descripcion_del_producto": "..."
    },
    {
      "titulo_tabla": "Especificaciones",
      "html_tabla": "<table>...</table>"
    }
  ]
}

---

🔧 Arquitectura Técnica

Flujo de Procesamiento

1. Usuario sube PDF
   ↓
2. PDF se guarda en docs/YYYYMMDD_HHMMSS/
   ↓
3. PDF se sube a OpenAI Files API (purpose: user_data)
   ↓
4. Se construye payload para Responses API:
   - model: gpt-5.1
   - instructions: prompt de extracción
   - input: [input_text, input_file]
   ↓
5. OpenAI procesa el PDF y devuelve JSON
   ↓
6. Sistema extrae, valida y normaliza JSON
   ↓
7. Se guarda resultado en .result.json
   ↓
8. Usuario visualiza/descarga resultados

Métodos de OpenAI API Utilizados

Activos:

• uploadFile() - Sube PDF a /v1/files
• callResponses() - Procesa con /v1/responses

Deprecados (no usar):

• createThread() - Assistants API (obsoleto)
• createRun() - Assistants API (obsoleto)
• getRun() - Assistants API (obsoleto)
• listMessages() - Assistants API (obsoleto)
• createAssistant() - Assistants API (obsoleto)

---

📊 Formato de Salida

Estructura JSON

{
  "Matriz": [
    {
      "nombre_del_producto": "string",
      "codigo_referencia": "string",
      "clasificacion_sistema": "string",
      "categoria_producto": "string",
      "descripcion_del_producto": "string",
      "idiomas_detectados": "string",
      "lista_caracteristicas": "string"
    },
    {
      "titulo_tabla": "string",
      "html_tabla": "<table>...</table>"
    }
  ]
}

---

🔐 Seguridad

• ✅ Autenticación con contraseñas hasheadas (bcrypt)
• ✅ Sesiones PHP para control de acceso
• ✅ Validación de tipos de archivo (solo PDF)
• ✅ Escape de HTML en visualizador
• ⚠️ Importante: Mantener config/config.php fuera del control de versiones

---

📝 Logs

Los logs se guardan en logs/process.log con formato:

[YYYY-MM-DD HH:MM:SS] Mensaje de log

Incluyen:

• Inicio de proceso
• Subida de archivo
• Llamadas a OpenAI
• Extracción de JSON
• Errores y excepciones

---

🐛 Solución de Problemas

Error: "La clave API de OpenAI no está configurada"

Solución: Editar config/config.php y configurar OPENAI_API_KEY

Error 404 en visualizador

Solución: Verificar que visualizador_cfle.php esté en src/php/

PDF no se procesa

Solución:

1. Verificar permisos de docs/
2. Revisar logs/process.log
3. Verificar API key de OpenAI

JSON vacío {"Matriz": []}

Solución: El PDF no tiene contenido extraíble o el prompt necesita ajustes

---

📞 Soporte

Para modificar prompts o parámetros, editar config/prompts.php

Para cambiar modelos disponibles, editar línea 17 de config/prompts.php:

"opciones" => ["gpt-5.1", "gpt-5.1-mini"],

---

📜 Licencia

Proyecto interno - Todos los derechos reservados