fix: extrai parágrafos de resumo estruturado (sec por subseção)

[Rossi-Luciano]

O que esse PR faz?

Corrige a issue #1332: quando um artigo tem resumo estruturado (subseções tipo Introduction/Methods/Results, cada uma dentro de sua própria <sec>), o resumo saía vazio no PDF gerado — só o cabeçalho "ABSTRACT"/"RESUMO" aparecia, indo direto para "Keywords".

extract_abstract_data e extract_trans_abstract_data (packtools/sps/formats/pdf/pipeline/xml.py) usavam node.findall('p'), que só localiza <p> filho direto do elemento <abstract>/<trans-abstract>. Num resumo estruturado, os <p> ficam um nível mais fundo (dentro de <sec>), então a extração retornava lista vazia.

Adiciona _extract_abstract_paragraphs(node), um helper recursivo que percorre <p> e <sec> em qualquer profundidade, incluindo o <title> de cada <sec> como rótulo (o texto fonte já vem com o :, ex. "Methods:") — preserva a estrutura do resumo no texto final em vez de apagar a divisão entre subseções. Reaproveitado nas duas funções, que tinham exatamente o mesmo bug.

Onde a revisão poderia começar?

packtools/sps/formats/pdf/pipeline/xml.py — _extract_abstract_paragraphs (helpers privados) e os dois pontos que passaram a chamá-la: extract_abstract_data e extract_trans_abstract_data.

Como este poderia ser testado manualmente?

python -m packtools.sps.formats.pdf_generator \
  -i <artigo-com-resumo-estruturado>.xml \
  -l layout.docx \
  -o saida.pdf \
  --libreoffice-binary libreoffice

Conferir o RESUMO/ABSTRACT na página 1.

Algum cenário de contexto que queira dar?

Achado por acaso revisando visualmente o corpus de teste de 26 artigos reais (layout_examples_rafael/corpus/), enquanto validava outro fix (afiliação duplicada). Confirmei a causa raiz e a abrangência antes de abrir a issue #1332: 6 de 26 artigos (23%) tinham resumo vazio por esse motivo — a10.xml (RESUMO em português também vazio), a11.xml, a14.xml, a17.xml, a20.xml, a28.xml. Não é um caso raro nem exclusivo de uma área (saúde e administração/negócios ambos afetados).

Screenshots

Quais são os tickets relevantes?

Corrige #1332.

Referências

N/A

---

Segurança da informação (NSI.04)

Seção obrigatória. Marque as opções aplicáveis e justifique quando necessário. Referência: NSI.04 - Norma de Desenvolvimento Seguro.

Este PR manipula dados sensíveis ou pessoais (LGPD)?

• Sim — descreva os controles de proteção aplicados (criptografia, mascaramento, anonimização, etc.):
• Não

Este PR altera autenticação, autorização, controle de acesso ou gerenciamento de sessão?

• Sim — descreva o que mudou e por quê:
• Não

Este PR introduz, atualiza ou remove dependências de terceiros?

• Sim — as novas dependências foram verificadas no SBOM/Trivy sem vulnerabilidades críticas/altas em aberto?
  • Verificado e aprovado
  • Pendente / vulnerabilidade aceita com justificativa:
• Não

Este PR foi validado pelo pipeline de segurança (SonarQube / Trivy)?

• Sim — link do job:
• Não aplicável a este PR (justifique): mudança isolada de extração de texto a partir do próprio XML do artigo, sem I/O externo ou entrada não confiável

Este PR concatena, monta ou executa comandos SQL, HTML ou JavaScript a partir de entrada externa?

• Sim — confirme que há sanitização/parametrização (prepared statements, escaping, etc.):
• Não

Este PR expõe novos endpoints, telas ou serviços?

• Sim — HTTPS obrigatório está garantido e o acesso segue o princípio de menor privilégio?
• Não

Algum segredo, senha, chave ou token está sendo adicionado ao código-fonte?

• Não, nenhum segredo foi commitado
• Sim (bloquear merge e corrigir antes de prosseguir)

🤖 Generated with Claude Code

https://claude.ai/code/session_01X8r2LRJ3PGTT9vLaPtb373

[pitangainnovare]

Boa.

[pitangainnovare]

A extração agora preenche corretamente o resumo estruturado, mas no a10, por exemplo, esse mesmo conteúdo também entra novamente pelo extract_body_data(), que percorre xml_tree.findall('.//sec') e, portanto, inclui as de e . No resultado, “Background: A staggering 99%…” e “Contexto: Um número impressionante…” aparecem no resumo e outra vez como corpo. Precisamos restringir a extração do corpo às seções do principal. Veja como ficou:

Página 1:

Página 2:

Página 3:

[pitangainnovare]

A correção preenche os resumos estruturados que antes ficavam vazios, mas encontrei dois problemas na saída final que precisam ser tratados antes da aprovação.

No a10.xml, o conteúdo do ABSTRACT e do RESUMO passa a aparecer duas vezes. O PR agora extrai corretamente as <sec> internas do <abstract> e do <trans-abstract>, mas extract_body_data() continua usando xml_tree.findall('.//sec'). Com isso, ela também considera como corpo as seções pertencentes aos resumos.

No DOCX gerado pelo HEAD deste PR, por exemplo, “Background: A staggering 99%…” aparece uma vez no ABSTRACT e novamente como seção do corpo. O mesmo ocorre com “Contexto: Um número impressionante…” no RESUMO, além das demais seções Objective/Objetivo, Methods/Métodos, Results/Resultados e Conclusion/Conclusão.

Acredito que extract_body_data() deva percorrer somente as <sec> do <body> principal.

Também há um problema dos títulos de seções sem pontuação. A implementação pressupõe que todo <sec><title> já possui dois-pontos, mas isso não ocorre em parte do corpus. Em a11.xml, por exemplo, o XML contém <title>Objetivo</title>, e a saída fica “Objetivo descrever...”, enquanto o PDF publicado apresenta “Objetivo: descrever...”. O mesmo padrão aparece também em a17.xml e a20.xml. A formatação poderia, como solução, acrescentar um separador quando o título não trouxer pontuação final, sem duplicá-lo quando o XML já tiver :.