---
name: extraction_pipeline
kind: pipeline
lang: py
domain: pipelines
version: "1.0.0"
purity: impure
signature: "def extraction_pipeline(file_path: str, entity_presets: list[dict], relation_types: list[str], llm_chat_json: Callable[[list[dict]], dict], chunk_size: int = 500, chunk_overlap: int = 50, confidence_threshold: float = 0.5, dedup_threshold: float = 0.85, on_progress: Callable[[str, float], None] | None = None) -> ExtractionResult"
description: "Pipeline completa de extraccion de entidades y relaciones desde un documento. Orquesta extract_text_from_file -> preprocess_text -> split_text_into_chunks -> extract_entities_llm por chunk -> deduplicate_entities -> extract_relations_llm por chunk -> deduplicate_relations."
tags: [pipeline, extraction, entities, relations, llm, nlp, fuzzygraph, datascience]
uses_functions:
  - extract_text_from_file_py_core
  - preprocess_text_py_core
  - split_text_into_chunks_py_core
  - build_entity_schema_prompt_py_datascience
  - build_relation_schema_prompt_py_datascience
  - extract_entities_llm_py_datascience
  - extract_relations_llm_py_datascience
  - deduplicate_entities_py_datascience
  - deduplicate_relations_py_datascience
uses_types:
  - entity_candidate_py_datascience
  - extraction_result_py_datascience
  - extraction_stats_py_datascience
  - relation_candidate_py_datascience
returns:
  - extraction_result_py_datascience
returns_optional: false
error_type: "error_go_core"
imports:
  - time
  - warnings
  - typing.Callable
params:
  - name: file_path
    desc: "Ruta del documento (PDF, TXT, Markdown) a procesar"
  - name: entity_presets
    desc: "Configuración de tipos de entidades a extraer con sus metadatos"
  - name: relation_types
    desc: "Tipos de relaciones a extraer (ej: 'owns', 'operates', 'communicates_with')"
  - name: llm_chat_json
    desc: "Función inyectada para llamadas al LLM (sin acoplamiento a proveedor)"
  - name: chunk_size
    desc: "Tamaño de chunks para procesamiento (default 500)"
  - name: chunk_overlap
    desc: "Solapamiento entre chunks (default 50)"
  - name: confidence_threshold
    desc: "Confianza mínima para incluir entidades (default 0.5)"
  - name: dedup_threshold
    desc: "Umbral fuzzy para deduplicación (default 0.85)"
  - name: on_progress
    desc: "Callback opcional para progreso (msg, percentage)"
output: "ExtractionResult con entidades, relaciones y estadísticas del proceso de extracción"
tested: true
tests:
  - "documento con entidades y relaciones retorna ExtractionResult completo"
  - "documento vacio retorna ExtractionResult con listas vacias"
  - "documento sin entidades detectables retorna listas vacias"
  - "archivo no encontrado lanza FileNotFoundError"
  - "entity presets vacio lanza ValueError"
  - "progress callback se invoca durante la ejecucion"
  - "stats se rellenan correctamente con conteos y tiempo"
test_file_path: "python/functions/pipelines/extraction_pipeline_test.py"
file_path: "python/functions/pipelines/extraction_pipeline.py"
---

## Ejemplo

```python
from python.functions.pipelines.extraction_pipeline import extraction_pipeline

entity_presets = [
    {
        "type_ref": "osint_person_go_cybersecurity",
        "label": "Person",
        "metadata_fields": ["full_name", "alias", "nationality"],
    },
    {
        "type_ref": "osint_domain_go_cybersecurity",
        "label": "Domain",
        "metadata_fields": ["fqdn", "registrar"],
    },
]

relation_types = ["operates", "owns", "funds", "communicates_with", "related_to"]

# Inyectar un cliente LLM real
def llm_chat_json(messages):
    # llamada al proveedor LLM elegido
    ...

result = extraction_pipeline(
    file_path="report.pdf",
    entity_presets=entity_presets,
    relation_types=relation_types,
    llm_chat_json=llm_chat_json,
    chunk_size=500,
    chunk_overlap=50,
    confidence_threshold=0.5,
    dedup_threshold=0.85,
    on_progress=lambda msg, pct: print(f"[{pct:.0%}] {msg}"),
)

print(f"Entities: {len(result.entities)}, Relations: {len(result.relations)}")
print(f"Stats: {result.stats}")

# Integrar con fuzzygraph / operations.db
for entity in result.entities:
    db.add_entity(
        name=entity.name,
        type_ref=entity.type_ref,
        metadata=entity.attributes,
    )

for relation in result.relations:
    db.add_relation(
        name=relation.relation_type,
        from_entity=relation.from_id,
        to_entity=relation.to_id,
    )
```

## Algoritmo

1. **Extract:** `extract_text_from_file(file_path)` — texto crudo desde PDF, TXT, Markdown
2. **Preprocess:** `preprocess_text(text)` — normaliza espacios, caracteres especiales
3. **Split:** `split_text_into_chunks(text, chunk_size, chunk_overlap)` — divide en ventanas solapadas
4. **Extract entities per chunk (0-40%):** Para cada chunk llama `extract_entities_llm` con el schema de presets. Anota `source_chunk_index` en cada candidato
5. **Filter:** filtra por `confidence >= confidence_threshold`
6. **Deduplicate entities (40%):** `deduplicate_entities` con fuzzy matching, produce `entity_id_map`
7. **Extract relations per chunk (40-80%):** Para cada chunk obtiene las entidades de ese chunk y llama `extract_relations_llm`
8. **Deduplicate relations (80-100%):** `deduplicate_relations` resuelve nombres a IDs y colapsa duplicados
9. **Return:** `ExtractionResult` con entidades, relaciones y stats del proceso

## Notas

- El parametro `llm_chat_json` inyecta el cliente LLM, sin acoplamiento a ningun proveedor (OpenAI, Anthropic, Ollama, etc.)
- El progress callback cubre: 0-40% extraccion de entidades, 40-80% extraccion de relaciones, 80-100% deduplicacion
- Si el archivo no existe lanza `FileNotFoundError` antes de cualquier llamada al LLM
- Si `entity_presets` esta vacio lanza `ValueError`
- Errores en chunks individuales se capturan con warnings y continuan (robustez)
- Los `entity_id_map` de `deduplicate_entities` conectan nombres originales del texto con IDs UUID finales para `deduplicate_relations`
- La retorna `ExtractionResult` esta lista para insertar en `operations.db` via `fn ops entity add` / `fn ops relation add`