@sirdaspdf/core 0.3.0 → 0.3.2

package/README.md

@@ -1,6 +1,6 @@
 # @sirdaspdf/core
 
-The engine behind [Sırdaş](https://sirdas.app): PDF operations, PDF→Markdown for
+The engine behind [Sırdaş](https://www.sirdaspdf.com): PDF operations, PDF→Markdown for
 LLMs, local anonymization of personal data, and the pieces needed to turn
 documents into a training set. Runs in the browser and in Node, with the same
 code path.
@@ -52,5 +52,5 @@ import { dedupe } from "@sirdaspdf/core/dedupe";
 Anonymization detection is rule-based and can miss unusual formats. Review
 before sharing a sensitive document.
 
-Full documentation: https://sirdas.app/docs/agents/core.md ·
+Full documentation: https://www.sirdaspdf.com/docs/agents/core.md ·
 Source: https://github.com/Brayan15p/SIRDAS-APP-PDF · MIT

package/dist/checkboxes.d.ts

@@ -0,0 +1,8 @@
+export interface TextCheckbox {
+    label: string;
+    checked: boolean;
+    /** La línea donde apareció, para citarla. */
+    line: string;
+}
+/** Casillas escritas como caracteres en el texto de cualquier documento. */
+export declare function findTextCheckboxes(text: string): TextCheckbox[];

package/dist/checkboxes.js

@@ -0,0 +1,23 @@
+const MARK_ON = "☑☒✅✔✓■▣⊠";
+const MARK_OFF = "☐□▢";
+/** Una casilla y su etiqueta: «☒ Sí», «[x] Hipertensión», «( ) No». */
+const BOX = new RegExp(String.raw `(?:([${MARK_ON}${MARK_OFF}])|\[\s*([xX✓✔*]?)\s*\]|\(\s*([xX✓✔*•]?)\s*\))\s*([^${MARK_ON}${MARK_OFF}\[\(\n]{1,60}?)(?=\s{2,}|\s*[${MARK_ON}${MARK_OFF}\[\(]|$)`, "gmu");
+/** Casillas escritas como caracteres en el texto de cualquier documento. */
+export function findTextCheckboxes(text) {
+    const out = [];
+    for (const line of text.split("\n")) {
+        // Sin al menos una marca de casilla, «(ver anexo)» o «[1]» no son casillas.
+        if (!new RegExp(`[${MARK_ON}${MARK_OFF}]|\\[\\s*[xX✓✔*]?\\s*\\]\\s*\\p{L}|\\(\\s*[xX✓✔*•]?\\s*\\)\\s*\\p{L}`, "u").test(line))
+            continue;
+        for (const m of line.matchAll(BOX)) {
+            const label = (m[4] ?? "").trim().replace(/[:;,.]$/, "");
+            if (!label || !/\p{L}/u.test(label))
+                continue;
+            const glyph = m[1];
+            const inner = m[2] ?? m[3];
+            const checked = glyph ? MARK_ON.includes(glyph) : !!inner;
+            out.push({ label, checked, line: line.trim().slice(0, 160) });
+        }
+    }
+    return out;
+}

package/dist/dataset.js

@@ -116,7 +116,7 @@ export function datasetCard(stats, opts) {
         "",
         `# ${opts.name ?? "Dataset"}`,
         "",
-        "Generado con [Sırdaş](https://sirdas.app) en la máquina de quien lo creó: los documentos originales no se subieron a ningún servicio.",
+        "Generado con [Sırdaş](https://www.sirdaspdf.com) en la máquina de quien lo creó: los documentos originales no se subieron a ningún servicio.",
         "",
         "| | |",
         "|---|---|",

package/dist/forms.d.ts

@@ -9,11 +9,4 @@ export interface FormField {
     page: number | null;
 }
 export declare function readFormFields(buf: ArrayBuffer | Uint8Array): Promise<FormField[]>;
-export interface TextCheckbox {
-    label: string;
-    checked: boolean;
-    /** La línea donde apareció, para citarla. */
-    line: string;
-}
-/** Casillas escritas como caracteres en el texto de cualquier documento. */
-export declare function findTextCheckboxes(text: string): TextCheckbox[];
+export { findTextCheckboxes, type TextCheckbox } from "./checkboxes.js";

package/dist/forms.js

@@ -32,26 +32,6 @@ export async function readFormFields(buf) {
     }
     return out;
 }
-const MARK_ON = "☑☒✅✔✓■▣⊠";
-const MARK_OFF = "☐□▢";
-/** Una casilla y su etiqueta: «☒ Sí», «[x] Hipertensión», «( ) No». */
-const BOX = new RegExp(String.raw `(?:([${MARK_ON}${MARK_OFF}])|\[\s*([xX✓✔*]?)\s*\]|\(\s*([xX✓✔*•]?)\s*\))\s*([^${MARK_ON}${MARK_OFF}\[\(\n]{1,60}?)(?=\s{2,}|\s*[${MARK_ON}${MARK_OFF}\[\(]|$)`, "gmu");
-/** Casillas escritas como caracteres en el texto de cualquier documento. */
-export function findTextCheckboxes(text) {
-    const out = [];
-    for (const line of text.split("\n")) {
-        // Sin al menos una marca de casilla, «(ver anexo)» o «[1]» no son casillas.
-        if (!new RegExp(`[${MARK_ON}${MARK_OFF}]|\\[\\s*[xX✓✔*]?\\s*\\]\\s*\\p{L}|\\(\\s*[xX✓✔*•]?\\s*\\)\\s*\\p{L}`, "u").test(line))
-            continue;
-        for (const m of line.matchAll(BOX)) {
-            const label = (m[4] ?? "").trim().replace(/[:;,.]$/, "");
-            if (!label || !/\p{L}/u.test(label))
-                continue;
-            const glyph = m[1];
-            const inner = m[2] ?? m[3];
-            const checked = glyph ? MARK_ON.includes(glyph) : !!inner;
-            out.push({ label, checked, line: line.trim().slice(0, 160) });
-        }
-    }
-    return out;
-}
+// Las casillas escritas como texto viven aparte, sin pdf-lib: la web las usa en
+// la primera carga y arrastrar pdf-lib (173 KB comprimido) la volvía lenta.
+export { findTextCheckboxes } from "./checkboxes.js";

package/dist/index.d.ts

@@ -26,3 +26,4 @@ export * from "./locate.js";
 export * from "./forms.js";
 export * from "./segment.js";
 export * from "./formats.js";
+export * from "./xlsx.js";

package/dist/index.js

@@ -28,3 +28,4 @@ export * from "./locate.js";
 export * from "./forms.js";
 export * from "./segment.js";
 export * from "./formats.js";
+export * from "./xlsx.js";

package/dist/xlsx.d.ts

@@ -0,0 +1,18 @@
+import type { Table } from "./tables.js";
+export interface XlsxOptions {
+    /**
+     * Idioma del documento, para desempatar «1.250»: en español son mil
+     * doscientos cincuenta; en inglés, uno coma veinticinco.
+     */
+    lang?: "es" | "en";
+    /** Nombre de cada hoja; por defecto «Tabla 1 (pág. 3)» o «Table 1 (p. 3)». */
+    sheetNames?: string[];
+}
+/**
+ * Convierte un importe escrito como texto en número, o null si no lo es sin
+ * ambigüedad. Acepta símbolo de moneda, signo, paréntesis contables y
+ * separadores de miles de los dos estilos.
+ */
+export declare function parseAmount(raw: string, lang?: "es" | "en"): number | null;
+/** Un libro con una hoja por tabla. */
+export declare function tablesToXlsx(tables: Table[], { lang, sheetNames: given }?: XlsxOptions): Uint8Array;

package/dist/xlsx.js

@@ -0,0 +1,161 @@
+// Tablas a un libro de Excel (.xlsx) de verdad, sin dependencias nuevas.
+//
+// Un .xlsx es un ZIP con XML dentro (Office Open XML, ECMA-376). Se escribe lo
+// mínimo que Excel, Google Sheets, Numbers y LibreOffice abren sin quejarse:
+// cadenas en línea (sin tabla de cadenas compartidas), un estilo en negrita
+// para la primera fila y un ancho de columna aproximado.
+//
+// La razón de ser frente al CSV: con CSV, Excel en español mete todo en una
+// columna si el separador no coincide y deja los importes como texto. Aquí los
+// importes llegan como números y se pueden sumar.
+import { strToU8, zipSync } from "fflate";
+const esc = (s) => s
+    .replace(/&/g, "&")
+    .replace(/</g, "&lt;")
+    .replace(/>/g, "&gt;")
+    .replace(/"/g, "&quot;")
+    // XML 1.0 no admite caracteres de control; un PDF a veces los trae.
+    .replace(/[\u0000-\u0008\u000B\u000C\u000E-\u001F]/g, "");
+/**
+ * Convierte un importe escrito como texto en número, o null si no lo es sin
+ * ambigüedad. Acepta símbolo de moneda, signo, paréntesis contables y
+ * separadores de miles de los dos estilos.
+ */
+export function parseAmount(raw, lang = "es") {
+    let s = raw.trim().replace(/ /g, " ");
+    if (!s || s.length > 30)
+        return null;
+    let negative = false;
+    if (/^\(.*\)$/.test(s)) {
+        negative = true;
+        s = s.slice(1, -1).trim();
+    }
+    s = s.replace(/^(-|−)\s*/, () => ((negative = !negative), ""));
+    s = s.replace(/^(COP|USD|EUR|US\$|\$|€)\s*/i, "").replace(/\s*(COP|USD|EUR|%)$/i, "");
+    s = s.replace(/^(-|−)\s*/, () => ((negative = !negative), ""));
+    if (!/^\d[\d.,' ]*$/.test(s))
+        return null;
+    s = s.replace(/[' ]/g, "");
+    const dots = (s.match(/\./g) ?? []).length;
+    const commas = (s.match(/,/g) ?? []).length;
+    let normalized;
+    if (dots && commas) {
+        // El último separador es el decimal: 1.250.000,50 o 1,250,000.50.
+        const decimal = s.lastIndexOf(",") > s.lastIndexOf(".") ? "," : ".";
+        const thousands = decimal === "," ? "." : ",";
+        const [int, dec] = s.split(decimal);
+        if (!new RegExp(`^\\d{1,3}(\\${thousands}\\d{3})*$`).test(int) || dec === undefined || !/^\d+$/.test(dec))
+            return null;
+        normalized = `${int.split(thousands).join("")}.${dec}`;
+    }
+    else if (dots > 1 || commas > 1) {
+        const sep = dots > 1 ? "." : ",";
+        if (!new RegExp(`^\\d{1,3}(\\${sep}\\d{3})+$`).test(s))
+            return null;
+        normalized = s.split(sep).join("");
+    }
+    else if (dots === 1 || commas === 1) {
+        const sep = dots ? "." : ",";
+        const [int, dec] = s.split(sep);
+        // Tres cifras detrás de un único separador: miles en el estilo del idioma
+        // donde ese separador marca miles (el punto en español, la coma en inglés).
+        const isThousands = dec.length === 3 && int.length <= 3 && (lang === "es" ? sep === "." : sep === ",");
+        normalized = isThousands ? int + dec : `${int}.${dec}`;
+    }
+    else {
+        // Un número largo sin separadores es casi siempre un identificador (NIT,
+        // cédula, cuenta): como número, Excel lo muestra en notación científica.
+        if (s.length > 12 || (s.length > 1 && s.startsWith("0")))
+            return null;
+        normalized = s;
+    }
+    const n = Number(normalized);
+    return Number.isFinite(n) ? (negative ? -n : n) : null;
+}
+function colName(i) {
+    let s = "";
+    for (let n = i + 1; n > 0; n = Math.floor((n - 1) / 26))
+        s = String.fromCharCode(65 + ((n - 1) % 26)) + s;
+    return s;
+}
+function sheetXml(table, lang) {
+    const width = Math.max(table.columns, ...table.rows.map((r) => r.length), 1);
+    const widths = Array.from({ length: width }, (_, c) => Math.min(60, Math.max(8, ...table.rows.map((r) => (r[c] ?? "").length + 2))));
+    const cols = widths.map((w, i) => `<col min="${i + 1}" max="${i + 1}" width="${w}" customWidth="1"/>`).join("");
+    const rows = table.rows
+        .map((row, r) => {
+        const cells = row
+            .map((value, c) => {
+            const ref = `${colName(c)}${r + 1}`;
+            const header = r === 0 ? ' s="1"' : "";
+            const n = r === 0 ? null : parseAmount(value, lang);
+            if (n !== null)
+                return `<c r="${ref}"${header}><v>${n}</v></c>`;
+            if (!value)
+                return "";
+            return `<c r="${ref}"${header} t="inlineStr"><is><t xml:space="preserve">${esc(value)}</t></is></c>`;
+        })
+            .join("");
+        return `<row r="${r + 1}">${cells}</row>`;
+    })
+        .join("");
+    return (`<?xml version="1.0" encoding="UTF-8" standalone="yes"?>` +
+        `<worksheet xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main">` +
+        `<sheetViews><sheetView workbookViewId="0"><pane ySplit="1" topLeftCell="A2" activePane="bottomLeft" state="frozen"/></sheetView></sheetViews>` +
+        `<cols>${cols}</cols><sheetData>${rows}</sheetData></worksheet>`);
+}
+/** Nombres de hoja válidos: máximo 31 caracteres, sin []:*?/\ y sin repetir. */
+function sheetNames(tables, lang, given) {
+    const used = new Set();
+    return tables.map((t, i) => {
+        const base = (given?.[i] ?? (lang === "es" ? `Tabla ${i + 1} (pág. ${t.page})` : `Table ${i + 1} (p. ${t.page})`))
+            .replace(/[[\]:*?/\\]/g, " ")
+            .trim()
+            .slice(0, 31) || `${i + 1}`;
+        let name = base;
+        for (let n = 2; used.has(name.toLowerCase()); n++)
+            name = `${base.slice(0, 31 - String(n).length - 1)} ${n}`;
+        used.add(name.toLowerCase());
+        return name;
+    });
+}
+/** Un libro con una hoja por tabla. */
+export function tablesToXlsx(tables, { lang = "es", sheetNames: given } = {}) {
+    if (!tables.length)
+        throw new Error("No tables to write.");
+    const names = sheetNames(tables, lang, given);
+    const files = {
+        "[Content_Types].xml": strToU8(`<?xml version="1.0" encoding="UTF-8" standalone="yes"?>` +
+            `<Types xmlns="http://schemas.openxmlformats.org/package/2006/content-types">` +
+            `<Default Extension="rels" ContentType="application/vnd.openxmlformats-package.relationships+xml"/>` +
+            `<Default Extension="xml" ContentType="application/xml"/>` +
+            `<Override PartName="/xl/workbook.xml" ContentType="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet.main+xml"/>` +
+            `<Override PartName="/xl/styles.xml" ContentType="application/vnd.openxmlformats-officedocument.spreadsheetml.styles+xml"/>` +
+            names.map((_, i) => `<Override PartName="/xl/worksheets/sheet${i + 1}.xml" ContentType="application/vnd.openxmlformats-officedocument.spreadsheetml.worksheet+xml"/>`).join("") +
+            `</Types>`),
+        "_rels/.rels": strToU8(`<?xml version="1.0" encoding="UTF-8" standalone="yes"?>` +
+            `<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">` +
+            `<Relationship Id="rId1" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/officeDocument" Target="xl/workbook.xml"/>` +
+            `</Relationships>`),
+        "xl/workbook.xml": strToU8(`<?xml version="1.0" encoding="UTF-8" standalone="yes"?>` +
+            `<workbook xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships"><sheets>` +
+            names.map((n, i) => `<sheet name="${esc(n)}" sheetId="${i + 1}" r:id="rId${i + 1}"/>`).join("") +
+            `</sheets></workbook>`),
+        "xl/_rels/workbook.xml.rels": strToU8(`<?xml version="1.0" encoding="UTF-8" standalone="yes"?>` +
+            `<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">` +
+            names.map((_, i) => `<Relationship Id="rId${i + 1}" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/worksheet" Target="worksheets/sheet${i + 1}.xml"/>`).join("") +
+            `<Relationship Id="rId${names.length + 1}" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/styles" Target="styles.xml"/>` +
+            `</Relationships>`),
+        "xl/styles.xml": strToU8(`<?xml version="1.0" encoding="UTF-8" standalone="yes"?>` +
+            `<styleSheet xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main">` +
+            `<fonts count="2"><font><sz val="11"/><name val="Calibri"/></font><font><b/><sz val="11"/><name val="Calibri"/></font></fonts>` +
+            `<fills count="2"><fill><patternFill patternType="none"/></fill><fill><patternFill patternType="gray125"/></fill></fills>` +
+            `<borders count="1"><border><left/><right/><top/><bottom/><diagonal/></border></borders>` +
+            `<cellStyleXfs count="1"><xf numFmtId="0" fontId="0" fillId="0" borderId="0"/></cellStyleXfs>` +
+            `<cellXfs count="2"><xf numFmtId="0" fontId="0" fillId="0" borderId="0" xfId="0"/><xf numFmtId="0" fontId="1" fillId="0" borderId="0" xfId="0" applyFont="1"/></cellXfs>` +
+            `<cellStyles count="1"><cellStyle name="Normal" xfId="0" builtinId="0"/></cellStyles>` +
+            `</styleSheet>`),
+    };
+    tables.forEach((t, i) => (files[`xl/worksheets/sheet${i + 1}.xml`] = strToU8(sheetXml(t, lang))));
+    return zipSync(files, { level: 6 });
+}

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@sirdaspdf/core",
-  "version": "0.3.0",
+  "version": "0.3.2",
   "description": "Sırdaş core: PDF operations, PDF→Markdown for AI and local PII anonymization. Runs in the browser and in Node; files never leave the machine.",
   "keywords": [
     "pdf",
@@ -14,7 +14,7 @@
     "fine-tuning",
     "deduplication"
   ],
-  "homepage": "https://sirdas.app",
+  "homepage": "https://www.sirdaspdf.com",
   "bugs": {
     "url": "https://github.com/Brayan15p/SIRDAS-APP-PDF/issues"
   },