Pathfinder 2e : Corpus Master Français (Éditeur Officiel)

Ce projet vise à compiler l'intégralité du contenu technique de Pathfinder Seconde Édition à partir des PDF de l'Éditeur Officiel. L'objectif est de créer une base de données XML unique (Pivot) capable de générer des notes interconnectées pour Obsidian (Consultation) ou des documents de haute qualité via LaTeX (Prestige).

1. Choix Technologiques

• Source of Truth : PDF natifs de la version française (Éditeur Officiel).
• Gestionnaire de paquets : uv pour la rapidité et la résolution de dépendances complexes.
• Extraction (Mac Intel) : pdfplumber avec logique géométrique (détection de colonnes/encarts) pour pallier l'absence de support des modèles Deep Learning récents sur architecture x86_64.
• Format Pivot : XML / XSD pour garantir l'intégrité des données (typage fort) et permettre le "Single Source Publishing".
• Moteur de Rendu : XSLT 3.0 (Saxon-HE) pour transformer l'arbre XML en Markdown structuré avec Frontmatter YAML.

2. Guide d'Installation (macOS Intel)

Prérequis

• Python 3.12 (installé via Homebrew).
• Java JRE (requis pour Saxon/XSLT).
• Saxon-HE (JAR) placé dans ~/lib/java/.

Installation du projet

# 1. Installer uv
brew install uv

# 2. Créer l'environnement virtuel avec la bonne version Python
uv venv --python 3.12
source .venv/bin/activate

# 3. Installer les librairies d'ingénierie de données
uv pip install pdfplumber xmlschema

3. Feuille de Route : De l'Extraction à l'Industrialisation

Phase 1 : Le POC Transversal (Subset : 1 Monstre)

• ✅ Extraire une page complexe (ex: Dragon) avec encarts.
• Mapper vers un XML respectant le XSD "Monster".
• Générer une note Obsidian avec le plugin Fantasy Statblocks.

Phase 2 : Industrialisation par Catégorie

• Subset "Sort" : Création du XSD "Sorts". Adaptation du script de mapping pour parser les sorts.
• Subset "Bestiaire" : Traitement par lot d'un PDF complet. Ajout de la balise <source_id> (Livre, Page) dans chaque XML.
• Subset "Équipement" : Création du XSD "Item". Adaptation du script de mapping pour parser les tableaux de prix et de bulk.
• Expansion : Dons, Dangers (Hazards), etc.

Phase 3 : Agrégation Massive

• Fusion des index par catégories transversales (tous les objets magiques, peu importe le livre).
• Gestion des conflits Legacy/Remaster (Aliasing dans le XML).

4. Quickstart : Le Workflow de Travail

Pour traiter un nouveau document ou mettre à jour la base, suivez ces étapes dans Visual Studio Code :

Étape 1 : PDF → Markdown Structuré

Script : scripts/extract_pdf.py

• Action : Analyse géométrique des rects pour isoler les sidebars du flux principal.
• Output : output/temp/page_X_structured.md.

Étape 2 : Markdown → XML (Pivot)

Script : scripts/monster_mapper.py

• Action : Utilise des Regex pour capturer les stats (CA, PV, Attributes) et les injecter dans l'arbre XML.
• Output : data/monsters/nom_du_monstre.xml.

Étape 3 : XML → Obsidian (Markdown)

Outil : XSLT (via le raccourci Ctrl+Shift+B configuré dans tasks.json).

• Action : Transformation de la donnée XML en fichier Markdown compatible Obsidian (YAML Frontmatter + Action Icons).
• Output : Votre coffre Obsidian obsidian_vault/.

---

Note technique : Sur une machine type Mac Silicon (M1/M2/M3), l'Étape 1 pourra être migrée vers MinerU pour une extraction sémantique encore plus fine via Deep Learning. Pour le moment, la méthode pdfplumber reste la plus stable sur le Mac Intel Ventura.