Biblioteca y documentos

Qué necesita el servidor para que la Biblioteca lea e indexe los documentos, y cómo comprobarlo: el índice, LibreOffice para los Word antiguos y el OCR de los pliegos escaneados. Los comandos usan los atajos $DC, $MON y $HB de La instalación en producción.

Es la carpeta Conocimiento de Drive, que drive-sync mantiene en /opt/data/conocimiento (HERMES_VAULT_PATH). El monitor extrae el texto de cada documento nuevo o cambiado y lo indexa por palabras y por significado con un modelo pequeño que corre en él; el modelo (unos 120 MB) se descarga la primera vez, así que el monitor necesita salida a internet. El texto tarda segundos por documento; los vectores, del orden de una hora por cada 500 pliegos grandes, en segundo plano. Si una versión cambia cómo se trocean los documentos, al arrancar se rehace el índice: las palabras vuelven en minutos y el significado tarda horas.

Hermes la usa con la skill biblioteca y solo propone notas: quedan en Conocimiento/_Propuestas hasta que una persona las aprueba. Nunca escribe en ella por su cuenta.

Documentos: LibreOffice

La imagen del monitor lleva LibreOffice Writer sin interfaz y las fuentes Liberation, Carlito y Caladea. Lo usa para convertir a .docx los .doc y .rtf (muchos anexos de la PLACSP) y para pasar a PDF las memorias y numerar su índice. Sin él todo funciona, pero los .doc salen como pliegos que no se pueden leer y las memorias llevan el índice sin páginas.

$DC exec $MON /usr/lib/libreoffice/program/soffice.bin --headless --version
$DC exec $MON sh -c 'fc-list | grep -ci liberation'    # más de 0
$DC logs $MON | grep 'conversor de documentos'          # estado ok | ausente | apagado

La herramienta MCP plataforma_estado da lo mismo en biblioteca.conversor, con conversiones hechas, fallidas y en cola.

• LIBREOFFICE_ACTIVO=0 lo apaga sin cambiar la imagen (salida de emergencia si falta memoria). La caché de convertidos (CONVERSIONES_DIR) se poda sola (60 días o 2 GB).
• Un solo soffice a la vez, con un cerrojo en /tmp/lo/lock; 120 s por conversión. Un cerrojo de más de 4 minutos se quita solo.
• sin_salida repetido en el log: perfil de LibreOffice corrupto; $DC exec $MON rm -rf /tmp/lo y reintenta.
• El monitor se reinicia mientras convierte: falta memoria (3 GB en el Compose). Compruébalo con docker inspect -f '{{.State.OOMKilled}}' $($DC ps -q $MON); sube el límite o apágalo.
• conversion_timeout: un .doc enorme o soffice colgado; el siguiente intento empieza de cero.

Cuando el conversor pasa de ausente a ok, el indexador relee solo los .doc que fallaron.

OCR de los pliegos escaneados

La imagen trae tesseract-ocr con español y poppler-utils. Al indexar, un PDF sin texto o con el texto codificado (sale como símbolos) se lee con OCR a 200 ppp, página a página, hasta 150 páginas. Si sale texto legible, entra en el índice y su ficha ya puede pedirse; si no, sigue marcado como escaneado. Un pliego de 100 páginas tarda unos minutos, sin frenar la web. Comprueba que $DC exec $MON tesseract --list-langs incluye spa.

OCR_ACTIVO=0 lo apaga si se come la CPU. El OCR puede leer mal alguna palabra: una cita de la ficha que no aparece literal en el pliego sale «no localizada».