Estas soluciones tienen dificultades para encontrar un equilibrio entre precisi\u00f3n, escalabilidad y rentabilidad, sobre todo cuando hay que procesar cientos de millones de p\u00e1ginas de documentos, y el coste suele ser prohibitivo.<\/p>\n\n\n\n Para empezar a utilizar Gemini 2.0 para procesar documentos PDF, primero debe configurar el entorno y crear un cliente de inferencia. Estos son los pasos espec\u00edficos:<\/p>\n\n\n\n Con los pasos anteriores, hemos completado la configuraci\u00f3n del entorno base y cargado con \u00e9xito el primer archivo PDF para su procesamiento. Cabe destacar que la API de archivos de Gemini permite almacenar hasta 20 GB de archivos por proyecto, con un m\u00e1ximo de 2 GB por archivo, y los archivos cargados se guardan durante 48 horas.<\/p>\n\n\n\n Gemini 2.0 una potente caracter\u00edstica es la capacidad de extraer datos estructurados de archivos PDF. A continuaci\u00f3n vamos a mostrar c\u00f3mo utilizar el modelo Pydantic caso real con Gemini para lograr esta caracter\u00edstica.<\/p>\n\n\n\n En primer lugar, definimos un m\u00e9todo gen\u00e9rico para procesar archivos PDF y devolver datos estructurados:<\/p>\n\n\n\n Para la clase de factura PDF, podemos definir el siguiente modelo para extraer la informaci\u00f3n clave:<\/p>\n\n\n\n Para los formularios con contenido manuscrito, tambi\u00e9n podemos definir modelos especializados:<\/p>\n\n\n\n A trav\u00e9s del ejemplo anterior, podemos ver que Gemini 2.0 puede identificar con precisi\u00f3n el contenido de texto del PDF, incluso el texto manuscrito, y convertirlo a un formato de datos JSON estructurado, lo que simplifica enormemente el proceso de extracci\u00f3n de datos.<\/p>\n\n\n\n En los sistemas RAG (Retrieval Augmented Generation), la fragmentaci\u00f3n de documentos es un paso clave adem\u00e1s de la extracci\u00f3n b\u00e1sica de texto, y Gemini 2.0 nos permite realizar tanto el OCR como la fragmentaci\u00f3n sem\u00e1ntica en un solo paso.<\/p>\n\n\n\n Aqu\u00ed tienes un consejo para convertir PDF a Markdown y hacer semantic chunking al mismo tiempo:<\/p>\n\n\n\n Este enfoque identifica los l\u00edmites sem\u00e1nticos de un documento y genera trozos de texto m\u00e1s significativos, lo que mejora enormemente la precisi\u00f3n de la recuperaci\u00f3n posterior. En comparaci\u00f3n con la fragmentaci\u00f3n mec\u00e1nica tradicional basada en el n\u00famero de caracteres, la fragmentaci\u00f3n sem\u00e1ntica es m\u00e1s capaz de mantener la coherencia y la integridad del contenido.<\/p>\n\n\n\n Para escenarios m\u00e1s complejos, podemos definir modelos Pydantic anidados para manejar m\u00faltiples niveles de datos:<\/p>\n\n\n\n Estas son algunas de las mejores pr\u00e1cticas para mejorar la eficacia y la precisi\u00f3n al procesar documentos PDF a gran escala:<\/p>\n\n\n\n Si necesita tratar un gran n\u00famero de escenas PDF, puede realizar el procesamiento por lotes para mejorar la eficacia:<\/p>\n\n\n\n Seleccionar la variante de modelo adecuada a las necesidades reales puede reducir considerablemente los costes:<\/p>\n\n\n\n A continuaci\u00f3n se compara la eficacia de procesamiento de los distintos modelos:<\/p>\n\n\n\n En un entorno de producci\u00f3n, es fundamental implantar mecanismos s\u00f3lidos de gesti\u00f3n de errores:<\/p>\n\n\n\n Para los PDF que contienen formularios complejos, se pueden utilizar las siguientes palabras clave para mejorar la precisi\u00f3n del reconocimiento de formularios:<\/p>\n\n\n\n![\"\"](\"https:\/\/school.myshirtai.com\/wp-content\/uploads\/2025\/05\/Jietu20250213-233957@2x.jpg\")
<\/figure>\n\n\n\nConfiguraci\u00f3n del entorno e instalaci\u00f3n de Gemini 2.0<\/h2>\n\n\n\n
Instalar las bibliotecas necesarias<\/h3>\n\n\n\n
%pip install \"google-genai>=1\"\n<\/code><\/pre><\/div>\n\n\n\nCreaci\u00f3n de clientes y configuraciones de modelos<\/h3>\n\n\n\n
from google import genai\n\n# Crear cliente\napi_key = \"YOUR_API_KEY\" # Sustit\u00fayela por tu clave API.\nclient = genai.Client(api_key=api_key)\n\n# Define el modelo a utilizar\nmodel_id = \"gemini-2.0-flash\" # Utilice tambi\u00e9n \"gemini-2.0-flash-lite-preview-02-05\" o \"gemini-2.0-pro-exp-02-05\".\n<\/code><\/pre><\/div>\n\n\n\nCargar y procesar archivos PDF<\/h3>\n\n\n\n
# Subir archivo PDF\ninvoice_pdf = client.files.upload(file=\"factura.pdf\", config={'nombre_visualizacion': 'factura'})\n\n# Ver en cu\u00e1ntos tokens se convierte el archivo\ntama\u00f1o_archivo = client.models.count_tokens(model=model_id, contents=factura_pdf)\nprint(f'Fichero: {invoice_pdf.display_name} equivale a {file_size.total_tokens} tokens')\n\n# Salida de ejemplo: Archivo: factura igual a 821 tokens\n<\/code><\/pre><\/div>\n\n\n\nPr\u00e1ctica de extracci\u00f3n de datos estructurados en PDF<\/h2>\n\n\n\n
Definir m\u00e9todos gen\u00e9ricos de extracci\u00f3n de datos<\/h3>\n\n\n\n
def extraer_datos_estructurados(ruta_archivo: str, modelo: BaseModel).\n # Carga de un archivo en la API de archivos\n file = client.files.upload(file=ruta_archivo, config={'display_name': file_path.split('\/')[-1].split('.') [0]})\n\n # Generaci\u00f3n de una respuesta estructurada mediante la API Gemini\n prompt = f \"Extraer los datos estructurados del siguiente archivo PDF\"\n response = client.models.generate_content(model=model_id,\n contents=[prompt, file], config={'response_mime_content')\n \n 'response_schema': model})\n\n # transforma la respuesta en un modelo Pydantic y lo devuelve\n return respuesta.analizada\n<\/code><\/pre><\/div>\n\n\n\nCaso 1: Extracci\u00f3n de datos de facturas<\/h3>\n\n\n\n
from pydantic import ModeloBase, Campo\n\nclase Art\u00edculo(BaseModel).\n descripci\u00f3n: str = Field(descripci\u00f3n=\"La descripci\u00f3n del art\u00edculo\")\n cantidad: float = Field(description=\"La cantidad del art\u00edculo\")\n valor_bruto: float = Field(description=\"Valor bruto del art\u00edculo\")\n\nclase Factura(BaseModel).\n \"\"\"Extraer el n\u00famero de factura, la fecha y todos los elementos de la lista con la descripci\u00f3n, la cantidad y el valor bruto y el valor bruto total.\"\"\"\"\n n\u00famero_factura: str = Field(description=\"El n\u00famero de factura, por ejemplo 1234567890\")\n date: str = Field(description=\"Fecha de la factura, por ejemplo 2024-01-01\")\n items: list[Item] = Field(description=\"La lista de art\u00edculos con descripci\u00f3n, cantidad y valor bruto\")\n valor_bruto_total: float = Field(description=\"Valor bruto total de la factura\")\n\n# Extrae los datos utilizando este modelo\nresult = extraer_datos_estructurados(\"factura.pdf\", Factura)\n\n# Salida de resultados\nprint(f \"Factura extra\u00edda: {result.invoice_number} en {result.date} con valor bruto total {result.total_gross_worth}\")\npara elemento en resultado.elementos: print(f \"Elemento: {valor_bruto_del_elemento}\")\n print(f \"Art\u00edculo: {art\u00edculo.descripci\u00f3n} con cantidad {art\u00edculo.cantidad} y valor bruto {art\u00edculo.valor_bruto}\")\n<\/code><\/pre><\/div>\n\n\n\n![\"\"](\"https:\/\/school.myshirtai.com\/wp-content\/uploads\/2025\/05\/image-54.png\")
<\/figure>\n\n\n\nCaso 2: Tratamiento de formularios con contenido manuscrito<\/h3>\n\n\n\n
clase Formulario(BaseModel).\n \"\"\"Extraer el n\u00famero de formulario, la fecha de inicio fiscal, la fecha de finalizaci\u00f3n fiscal y las obligaciones del plan de principio de a\u00f1o y de final de a\u00f1o.\"\"\"\"\n form_number: str = Field(description=\"El n\u00famero de formulario\")\n fecha_inicio: str = Field(description=\"Fecha de entrada en vigor\")\n beginning_of_year: float = Field(description=\"El pasivo del plan a principios de a\u00f1o\")\n end_of_year: float = Field(description=\"El pasivo del plan al final del a\u00f1o\")\n\n# Extraer datos\nresult = extraer_datos_estructurados(\"escritura_form.pdf\", Formulario)\n\n# salida resultados\nprint(f'N\u00famero de formulario extra\u00eddo: {result.n\u00famero_formulario} con fecha de inicio {result.fecha_inicio}. \\nPlan pasivo inicio del a\u00f1o {result.inicio_del_a\u00f1o} y fin del a\u00f1o {result.fin_del_a\u00f1o}')\n# Ejemplo de salida: N\u00famero de formulario extra\u00eddo: CA530082 con fecha de inicio 02\/05\/2022.\n# Pasivo del plan principio del a\u00f1o 40000,0 y final del a\u00f1o 55000,0\n<\/code><\/pre><\/div>\n\n\n\nAplicaciones avanzadas: fragmentaci\u00f3n de documentos y comprensi\u00f3n sem\u00e1ntica<\/h2>\n\n\n\n
Ejemplo de fragmentaci\u00f3n sem\u00e1ntica de PDF<\/h3>\n\n\n\n
CHUNKING_PROMPT = \"\"\"OCR la siguiente p\u00e1gina en Markdown. Las tablas deben tener formato HTML.\nNo rodee su salida con triple backticks.\nDivida el documento en secciones de aproximadamente 250 - 1000 palabras. Nuestro objetivo es\nNuestro objetivo es identificar partes de la p\u00e1gina con el mismo tema sem\u00e1ntico.\nEstos trozos se incrustar\u00e1n y se utilizar\u00e1n en una canalizaci\u00f3n RAG.\nRodee los trozos con etiquetas html.\"\"\"\"\n\n# utiliza esta instrucci\u00f3n para el procesamiento\nresponse = cliente.modelos.generar_contenido(\n model=id_modelo,\n contents=[CHUNKING_PROMPT, pdf_file]\n)\n\nchunked_content = response.text\n<\/code><\/pre><\/div>\n\n\n\nExtracci\u00f3n de datos complejos con Pydantic<\/h3>\n\n\n\n
class Person(BaseModel): first_name: str = Field(description=\"El nombre de la persona\")\n first_name: str = Field(description=\"El nombre de la persona\")\n last_name: str = Field(description=\"El apellido de la persona\")\n last_name: str = Field(description=\"El apellido de la persona\") last_name: str = Field(description=\"El apellido de la persona\")\n work_topics: list[Topic] = Field(description=\"Los campos de inter\u00e9s de la persona, si no se proporcionan devuelva una lista vac\u00eda\")\n\n# Generar una respuesta utilizando el modelo Persona\nprompt = \"Philipp Schmid es un Ingeniero Senior de Relaciones con Desarrolladores de IA en Google DeepMind trabajando en Gemini, Gemma con la misi\u00f3n de ayudar a cada desarrollador a construir y beneficiarse de la IA de manera responsable\".\nresponse = client.models.generate_content(\n model=id_modelo,\n contents=prompt,\n config={'response_mime_type': 'application\/json', 'response_schema': Person}\n)\n\nEl SDK # convierte autom\u00e1ticamente la respuesta en un modelo Pydantic\nphilipp: Persona = respuesta.analizada\nprint(f \"El nombre es {philipp.first_name}\")\n<\/code><\/pre><\/div>\n\n\n\nOptimizaci\u00f3n del rendimiento y buenas pr\u00e1cticas<\/h2>\n\n\n\n
Procesamiento por lotes y optimizaci\u00f3n de fichas<\/h3>\n\n\n\n
async def batch_process_pdfs(file_paths, model, batch_size=10):: results = [].\n resultados = []\n for i in range(0, len(rutas_archivo), tama\u00f1o_lote):: batch = rutas_archivo[i:i+tama\u00f1o_lote): batch = rutas_archivo[i:i\n batch = rutas_archivo[i:i+tama\u00f1o_lote]: results = [] for i in range(0, len(rutas_archivo), tama\u00f1o_lote).\n tasks = [extraer_datos_estructurados(ruta, modelo) para ruta en lote].\n resultados_lote = await asyncio.gather(*tareas)\n results.extend(resultados_lote)\n print(f \"Lote procesado {i\/\/tama\u00f1o_lote + 1}\/{(len(rutas_archivo)+tama\u00f1o_lote-1)\/\/tama\u00f1o_lote}\")\n devolver resultados\n<\/code><\/pre><\/div>\n\n\n\nSelecci\u00f3n de modelos y control de costes<\/h3>\n\n\n\n
\n
modelizaci\u00f3n<\/strong><\/th> P\u00e1ginas PDF procesadas por d\u00f3lar (conversi\u00f3n Markdown)<\/strong><\/th><\/tr><\/thead> Gemini 2.0 Flash<\/td> Aprox. 6.000 p\u00e1ginas<\/td><\/tr> Gemini 2.0 Flash Lite<\/td> Aprox. 12.000 p\u00e1ginas<\/td><\/tr> G\u00e9minis 1.5 Flash<\/td> Aprox. 10.000 p\u00e1ginas<\/td><\/tr> OpenAI 4-mini<\/td> Aprox. 450 p\u00e1ginas<\/td><\/tr> OpenAI 4o<\/td> Alrededor de 200 p\u00e1ginas<\/td><\/tr> Claude antr\u00f3pico-3,5<\/td> Aprox. 100 p\u00e1ginas<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Tratamiento de errores y mecanismo de reintento<\/h3>\n\n\n\n
def extraer_con_reintentos(ruta_archivo, modelo, max_reintentos=3):: for intento en rango(max_reintentos)\n para intento en rango(max_reintentos).\n intentar.\n return extraer_datos_estructurados(ruta_archivo, modelo): for intento en rango(entradas_m\u00e1x): try.\n except Exception as e: if attempt == max_retries\n if attempt == max_retries - 1: print(f \"Error al acceder al archivo.\n print(f \"No se ha podido procesar {ruta_archivo} tras {m\u00e1x_intentos} intentos: {e}\")\n return Ninguno\n print(f \"Intento {intento+1} fallido, reintento: {e}\")\n time.sleep(2 **intento) # estrategia de reintento exponencial\n<\/code><\/pre><\/div>\n\n\n\n![\"\"](\"https:\/\/school.myshirtai.com\/wp-content\/uploads\/2025\/05\/rd-bench-example.jpg\")
<\/figure>\n\n\n\nOptimizaci\u00f3n del tratamiento de formularios<\/h3>\n\n\n\n