feat: extraccion masiva footprint_aurgi (41 funcs + 4 types + stack Docker geo)

Extrae al registry funciones del proyecto interno footprint_aurgi:
- core (6): slugify_ascii, normalize_for_join, cp_provincia_es, infer_provincia_from_cp, safe_read_csv_fallback, csv_to_parquet_duckdb
- geo puras (7): haversine_km, point_in_ring, point_in_polygon, point_in_polygons_bbox, polygon_bbox, extent_with_padding, distance_bucket
- geo I/O (4): load_geojson_polygons, load_boundary_gdf, add_basemap_osm, add_basemap_with_timeout
- valhalla client (4): valhalla_route, valhalla_isochrone, valhalla_isochrones_async, valhalla_matrix_1_to_n
- datascience stats (7): trimmed_mean, geometric_mean, detect_distribution_type, best_central_tendency, summary_stats, kde_density_levels, alpha_shape_concave_hull
- datascience fuzzy (3): fuzzy_merge_adaptive (rapidfuzz), words_to_dataset, remove_words_from_column
- datascience viz (2): plot_kde_2d, plot_heatmap_log
- infra (4): compress_pdf_ghostscript, render_table_page_pdfpages, add_header_logo, osm2pgsql_ingest
- pipelines (4): setup_geo_stack_docker, compute_centers_reachability, generate_isochrones_by_zone, count_points_per_zone
- types geo (4): LonLat, BBox, IsochroneRequest, Centro

Incluye:
- apps/footprint_geo_stack/ (PostGIS + Martin + Valhalla via docker-compose)
- 131/132 tests pasan (1 skip esperado: osm2pgsql en PATH)
- Issue tracker dev/issues/0052-footprint-aurgi-extraction.md
- Atribucion uniforme: source_repo internal:footprint_aurgi, source_license internal-aurgi
- Build con 9 agentes en paralelo (8 wave 1 + 1 wave 2 pipelines)

Tambien commitea trabajo previo no commiteado: aggregate_extraction_results, chunk_with_overlap, clean_pdf_text, merge_entity_aliases, extract_graph_gliner2, extract_relations_mrebel, extract_triples_spacy_es, gliner2/mrebel/marianmt/rebel/spacy_es load_model, parse_rebel_output, translate_es_to_en, issue 0050/0051.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

python/functions/datascience/extract_relations_mrebel.md

@@ -0,0 +1,114 @@
+---
+name: extract_relations_mrebel
+kind: function
+lang: py
+domain: datascience
+version: "1.0.0"
+purity: impure
+signature: "def extract_relations_mrebel(text: str, entities: list[EntityCandidate], tokenizer: Any, model: Any, src_lang: str = 'es_XX', sentence_split_re: str = r'(?<=[.!?])\\s+', min_sentence_chars: int = 20, num_beams: int = 4, max_length: int = 256) -> list[RelationCandidate]"
+description: "Extrae relaciones entre entidades usando mREBEL (seq2seq multilingue). Divide el texto por oraciones, genera triplets con mREBEL, parsea con parse_rebel_output y alinea a entidades conocidas con align_relations_to_entities. Drop-in con extract_relations_glirel para benchmarks."
+tags: [mrebel, relation-extraction, nlp, extract, knowledge-graph, seq2seq, multilingual, datascience, python]
+uses_functions:
+  - mrebel_load_model_py_datascience
+  - parse_rebel_output_py_datascience
+  - align_relations_to_entities_py_datascience
+uses_types:
+  - entity_candidate_py_datascience
+  - relation_candidate_py_datascience
+returns:
+  - relation_candidate_py_datascience
+returns_optional: false
+error_type: "error_go_core"
+imports: [re]
+params:
+  - name: text
+    desc: "texto fuente en el idioma de src_lang (mismo chunk usado para extraer las entidades)"
+  - name: entities
+    desc: "entidades ya extraidas de este texto (de extract_entities_gliner o similar). Solo se conservan relaciones entre entidades de esta lista."
+  - name: tokenizer
+    desc: "tokenizer mREBEL cargado con mrebel_load_model — inyectado por el caller para evitar re-carga en batch"
+  - name: model
+    desc: "modelo mREBEL cargado con mrebel_load_model — inyectado por el caller"
+  - name: src_lang
+    desc: "informativo — el idioma con que se cargo el tokenizer (ej. 'es_XX'). No se usa en runtime."
+  - name: sentence_split_re
+    desc: "patron regex para dividir el texto en oraciones. Defecto: split despues de [.!?] seguido de espacio."
+  - name: min_sentence_chars
+    desc: "longitud minima de caracteres para procesar una oracion. Fragmentos mas cortos se saltan (defecto 20)."
+  - name: num_beams
+    desc: "ancho del beam search para model.generate (defecto 4)"
+  - name: max_length
+    desc: "longitud maxima en tokens para tokenizacion y generacion (defecto 256)"
+output: "lista de RelationCandidate con confidence=1.0 (mREBEL no produce score continuo). from_name/to_name siempre coinciden con entidades del input."
+tested: true
+tests:
+  - "flujo completo con stub produce RelationCandidate correctos"
+  - "menos de 2 entidades retorna vacio"
+  - "texto vacio retorna vacio"
+  - "triplets no alineables se descartan"
+test_file_path: "python/functions/datascience/tests/test_extract_relations_mrebel.py"
+file_path: "python/functions/datascience/extract_relations_mrebel.py"
+notes: |
+  impure: model.generate es I/O computacional con estado externo (pesos del modelo).
+  
+  mREBEL no produce un confidence score continuo — devuelve los triplets que el modelo
+  decodifico como output mas probable. confidence=1.0 es un marcador "el modelo lo emitio",
+  no una probabilidad calibrada. Para filtrar por calidad, usar el numero de beams
+  como proxy o combinar con un clasificador posterior.
+  
+  Drop-in con extract_relations_glirel para benchmarks:
+  - Misma interfaz de entrada (text, entities, model)
+  - Misma salida (list[RelationCandidate])
+  - Diferencia: mREBEL no necesita relation_types (genera relaciones libre),
+    glirel necesita relation_types (zero-shot discriminativo).
+  
+  LICENCIA del modelo: Babelscape/mrebel-large es CC BY-NC-SA 4.0 (no comercial).
+  Ver mrebel_load_model para mas detalles.
+---
+
+## Ejemplo
+
+```python
+from python.functions.datascience.mrebel_load_model import mrebel_load_model
+from python.functions.datascience.extract_relations_mrebel import extract_relations_mrebel
+from python.types.datascience.entity_candidate import EntityCandidate
+
+tokenizer, model = mrebel_load_model(src_lang="es_XX")
+
+text = "Pablo Isla es el presidente de Inditex. La empresa tiene sede en Arteixo, A Coruna."
+entities = [
+    EntityCandidate(name="Pablo Isla", type_label="PER", confidence=0.95),
+    EntityCandidate(name="Inditex", type_label="ORG", confidence=0.92),
+    EntityCandidate(name="Arteixo", type_label="LOC", confidence=0.88),
+    EntityCandidate(name="A Coruna", type_label="LOC", confidence=0.85),
+]
+
+relations = extract_relations_mrebel(
+    text=text,
+    entities=entities,
+    tokenizer=tokenizer,
+    model=model,
+)
+# [RelationCandidate(from_name='Pablo Isla', to_name='Inditex',
+#                    relation_type='employer', confidence=1.0, ...), ...]
+```
+
+## Comparacion con extract_relations_glirel
+
+| | mREBEL | GLiREL |
+|---|---|---|
+| Tipo | Seq2seq generativo | Discriminativo zero-shot |
+| relation_types | No (genera libre) | Si (obligatorio) |
+| Confidence | 1.0 fijo (no calibrado) | 0.0-1.0 (calibrado) |
+| Idiomas | 30+ multilingue | Principalmente EN |
+| Licencia modelo | CC BY-NC-SA (no comercial) | Apache 2.0 |
+| Velocidad | Mas lento (seq2seq) | Mas rapido (clasificador) |
+
+## Notas de diseno
+
+- `parse_rebel_output` y `align_relations_to_entities` son funciones puras
+  compuestas por esta funcion impura — testeable independientemente.
+- Errores de tokenizacion/generacion por frase se capturan y saltan (la frase
+  se ignora, el resto del texto se procesa).
+- `source_chunk_index` rastrea el indice de oracion de origen, no de chunk
+  de texto — util para debugging.