Resumir PDFs con Python — Tutorial de la API de PDF Summarizer

Requisitos previos

• Python 3.8+ y la librería requests (pip install requests).
• Una clave de API: crea una cuenta gratuita y copia tu clave desde el panel de control. Guárdala en una variable de entorno en lugar de incluirla en el código:

export PDF_SUMMARIZE_KEY="sk_live_..."

Tu primer resumen de PDF en Python

import os
import requests

API_URL = "https://pdf-summarize.com/api/summarize.php"
API_KEY = os.environ["PDF_SUMMARIZE_KEY"]

def summarize_pdf(path, length="medium", fmt="bullets", lang="auto"):
    with open(path, "rb") as f:
        resp = requests.post(
            API_URL,
            headers={"Authorization": f"Bearer {API_KEY}"},
            files={"file": (os.path.basename(path), f, "application/pdf")},
            data={"length": length, "format": fmt, "outputLang": lang, "includeKeywords": "1"},
            timeout=180,
        )
    data = resp.json()
    if resp.status_code != 200 or not data.get("success"):
        raise RuntimeError(f"{resp.status_code}: {data.get('error', data)}")
    return data

result = summarize_pdf("annual-report.pdf")
print(result["summary"])
print("Páginas:", result["page_count"], "| Palabras clave:", result.get("keywords"))

La respuesta

{
  "success": true,
  "summary": "- Los ingresos crecieron un 6% hasta...",
  "keywords": "ingresos, margen, previsiones, ...",
  "page_count": 48,
  "original_length": 182340,
  "summary_length": 1210,
  "processing_time": 6.214,
  "requests_remaining": 4987
}

requests_remaining representa tu cuota mensual restante (-1 indica ilimitada).

Hacer streaming del resumen

Para documentos largos o aplicaciones interactivas, transmite el resumen a medida que se genera:

import json

def stream_summary(path):
    with open(path, "rb") as f:
        with requests.post(
            API_URL + "?stream=1",
            headers={"Authorization": f"Bearer {API_KEY}"},
            files={"file": (os.path.basename(path), f, "application/pdf")},
            data={"length": "long", "format": "mixed"},
            stream=True, timeout=300,
        ) as resp:
            resp.raise_for_status()
            for line in resp.iter_lines(decode_unicode=True):
                if not line or not line.startswith("data: "):
                    continue
                payload = line[6:]
                if payload == "[DONE]":
                    break
                event = json.loads(payload)
                if "error" in event:
                    raise RuntimeError(event["error"])
                if event.get("type") == "summary":
                    print(event["content"], end="", flush=True)

stream_summary("research-paper.pdf")

Procesar una carpeta de PDFs

import pathlib, time

out_dir = pathlib.Path("summaries")
out_dir.mkdir(exist_ok=True)

for pdf in sorted(pathlib.Path("pdfs").glob("*.pdf")):
    target = out_dir / (pdf.stem + ".md")
    if target.exists():
        continue                      # permite reanudar el proceso fácilmente
    for attempt in range(3):
        try:
            data = summarize_pdf(str(pdf), length="long", fmt="mixed")
            target.write_text(data["summary"], encoding="utf-8")
            print("ok", pdf.name, data["page_count"], "páginas")
            break
        except RuntimeError as e:
            if str(e).startswith("429"):
                time.sleep(30 * (attempt + 1))   # límite de peticiones: espera antes de reintentar
            else:
                print("error", pdf.name, e)
                break

Errores que debes gestionar

Consejos

• Configura tiempos de espera (timeouts) generosos (2-3 minutos) para PDFs largos.
• Almacena en caché los resultados mediante el hash del archivo para evitar pagar dos veces por el mismo documento.
• Mantén las claves en el servidor — nunca las incluyas en el código de una aplicación frontend o móvil.
• Referencia completa de parámetros: la documentación de la API.

Preguntas frecuentes