Metodologia de extraccion

1. Ingesta diaria automatizada

Cada manana, tras la publicacion oficial (~08:00 CET), el pipeline se conecta a la API de datos abiertos del BOE y descarga:

• Sumario XML diario del BORME con el indice de todos los actos.
• Documentos individuales PDF y XML de las Secciones I (actos inscribibles) y II (anuncios legales).
• Metadatos estructurales (provincia, seccion, fecha oficial, identificador BORME-A-YYYY-NNN-NN).

Los ficheros originales se conservan con su hash SHA-256 para garantizar integridad y permitir re-procesamiento si detectamos mejoras en los parsers.

2. Parsing dual PDF + XML

Dos motores especializados trabajan en paralelo sobre los documentos del dia:

• Motor PDF (Seccion I): extrae texto plano con pdfplumber y aplica una bateria de reglas regex + heuristicas para identificar el CIF (letra de control validada), razon social, tipo de acto (nombramientos, ceses, ampliaciones, fusiones, concursales, etc.) y personas involucradas con su cargo.
• Motor XML (Seccion II): procesa los anuncios legales estructurados directamente desde el XML oficial, donde los campos ya estan etiquetados.
• Validador cruzado: cuando un mismo acto aparece en ambas secciones, se concilian los campos y se elige el de mayor fiabilidad (XML > PDF).

Precision medida en Seccion I: >98% en CIF, >96% en razon social, >92% en tipo de acto (auditoria semanal).

3. Normalizacion y enriquecimiento

• CIFs: validados con el algoritmo oficial de letra de control; descartamos los malformados.
• Nombres de empresa: normalizados (mayusculas/acentos/puntuacion), se genera un slug SEO-friendly y se detectan alias historicos (cambios de denominacion).
• Personas: unificamos por nombre canonico + empresa + cargo para detectar a la misma persona a traves de nombramientos en varias sociedades.
• Fechas: normalizadas a ISO-8601 y asociadas a la fecha de publicacion del BORME, no a la fecha del acto interno.
• Provincias: inferidas del Registro Mercantil competente.

4. Generacion de artefactos

En lugar de una base de datos relacional, producimos un dataset estatico particionado (filosofia «data-as-code»):

• Indices por prefijo de dos caracteres (in.json, te.json...) para busqueda instantanea.
• Reportes individuales por empresa ({slug-cif}.json) y por persona con KPIs, timeline y cargos.
• Datasets mensuales para descarga masiva (CSV y JSONL bajo CC BY 4.0).
• Sitemaps XML particionados para indexacion por buscadores.

5. Publicacion y cache

El frontend PHP lee directamente los JSON estaticos y pre-renderiza HTML cacheado por LiteSpeed + Cloudflare. Sin base de datos en produccion: alta disponibilidad, coste marginal y tiempo de respuesta <100 ms para busqueda y <200 ms para ficha de empresa.