Identificación de otos elementos especiales en el texto

[eduranm]

Descrição da nova funcionalidade

Incorporar al flujo de markup_doc la identificación y estructuración de contenido especial dentro del cuerpo del documento, para procesar imágenes, tablas, listas y fórmulas extraídas desde DOCX y convertirlas en bloques estructurados reutilizables.

Critérios de aceitação

• Incorporar soporte para construir objetos estructurados de contenido especial

• Soportar los tipos:

  • image
  • table
  • list
  • compound

• Para el tipo image, debe:

  • incrementar el contador de figuras;
  • generar un identificador figid;
  • asignar la etiqueta <fig>;
  • conservar la referencia a la imagen;
  • intentar recuperar figlabel y title.

• Para el tipo table, debe:

  • incrementar el contador de tablas;
  • generar un identificador tabid;
  • asignar la etiqueta <table>;
  • conservar el contenido HTML de la tabla;
  • intentar recuperar tablabel y title.

• Para el tipo list, debe generar un bloque paragraph con la etiqueta <list>.

• Para el tipo compound, debe:

  • incrementar el contador de ecuaciones;
  • generar un identificador eid;
  • clasificar el contenido como <inline-formula> o <disp-formula> según la estructura del contenido;
  • normalizar expresiones del tipo (1) cuando correspondan a fórmulas desplegadas.

• Resolver referencias cruzadas para:

  • figuras;
  • tablas;
  • fórmulas.

• Detectar referencias textuales a contenido especial, incluyendo variantes de:

  • imagen;
  • figura;
  • tabla;
  • ecuación;
  • fórmula;
    y devolver la etiqueta detectada, el identificador asociado y el tipo de referencia (reftype).

Anexos

• Incorpora el soporte base para detectar y estructurar contenido especial del cuerpo del documento, como figuras, tablas, listas y fórmulas, a partir de archivos DOCX.

Referências

• Wagtail images
• python-docx / OOXML
• lxml
• MathML