Agregar procesamiento automático de referencias y soporte markuplib para análisis estructural de DOCX

[eduranm]

Descrição da nova funcionalidade

Incorporar soporte de procesamiento automático para referencias bibliográficas y utilidades de lectura estructural de archivos DOCX dentro del flujo de markup_doc, para que al cargar un documento se puedan identificar bloques del texto, detectar referencias, enviarlas al modelo correspondiente y persistir el resultado estructurado en el documento de marcación.

Critérios de aceitação

• La app markuplib debe estar registrada.

• Debe existir el paquete markuplib

• Proporcionar una clase utilitaria para lectura y análisis de DOCX, incluyendo al menos soporte para:

  • apertura del documento;
  • extracción de numeraciones;
  • extracción de hipervínculos;
  • extracción estructurada del contenido;
  • normalización de ciertos fragmentos MathML.

• Debe existir Utilidades para:

  • determinar el tipo de modelo LLM a utilizar;
  • dividir bloques de referencias para procesamiento;
  • procesar una referencia individual;
  • procesar lotes de referencias;
  • buscar referencias por autor y año;
  • extraer citas APA desde texto;
  • limpiar etiquetas;
  • mapear texto etiquetado;
  • restaurar etiquetas sobre citas detectadas;
  • generar objetos etiquetados base para el flujo de marcación.

• Funciones para:

  • marcar metadatos de artículo;
  • marcar una referencia individual;
  • marcar bloques de referencias.

• Incorporar la tarea para:

  • recuperar el documento DOCX cargado;
  • abrir y analizar el archivo;
  • detectar y acumular referencias;
  • procesar referencias usando LLaMA o Gemini según la configuración disponible;
  • persistir el resultado estructurado en el documento de marcación;
  • actualizar el estado del documento al finalizar.

• Disparar el procesamiento automático después de crear el documento.

Anexos

• Este issue incorpora el soporte base para análisis estructural de DOCX y el procesamiento automático de referencias dentro del flujo de marcación documental.

Referências

• Django settings
• Celery tasks
• Wagtail admin hooks
• python-docx
• lxml