Add OCR transcripts, full-text search, and historical context

README.md

@@ -113,6 +113,154 @@ Sitio estático construido con HTML, CSS y JavaScript vanilla. Sin paso de compi
 
 Las imágenes de páginas escaneadas se sirven desde CDN. Desplegado en [Cloudflare Pages](https://pages.cloudflare.com/).
 
+## Transcripciones OCR
+
+El sitio puede incorporar transcripciones OCR de las páginas escaneadas para habilitar:
+
+- búsqueda por contenido dentro de los documentos
+- visualización sincronizada entre imagen y transcripción en el visor
+- conservación de una versión legible de las transcripciones dentro del repositorio
+
+Las herramientas de OCR **no forman parte de este repositorio**. La extracción debe ejecutarse localmente, fuera del proyecto, y luego sólo se versionan los artefactos finales.
+
+### Estructura de datos
+
+```text
+data/
+├── search-index.json            # Índice compacto para búsqueda cliente-side
+├── transcripts/                 # JSON runtime por documento
+│   └── doc-12.json
+└── transcripts-md/              # Markdown legible por documento
+    └── doc-12.md
+```
+
+### Formato recomendado
+
+JSON por documento:
+
+```json
+{
+  "id": "doc-12",
+  "title": "Titulo del documento",
+  "page_count": 14,
+  "pages": [
+    {
+      "page": 1,
+      "global_page": 123,
+      "text": "texto extraido..."
+    }
+  ]
+}
+```
+
+Markdown por documento:
+
+```md
+# doc-12
+
+## Titulo
+Titulo del documento
+
+## Pagina 1
+texto extraido...
+```
+
+Índice de búsqueda:
+
+```json
+[
+  {
+    "docId": "doc-12",
+    "title": "Titulo del documento",
+    "page": 4,
+    "globalPage": 126,
+    "text": "texto normalizado para busqueda"
+  }
+]
+```
+
+### Criterios editoriales
+
+- preservar la estructura por página
+- conservar saltos de línea cuando aporten contexto
+- omitir encabezados o pies repetidos si no agregan valor documental
+- evitar correcciones agresivas del texto OCR
+- asumir idioma español
+
+### Flujo de trabajo sugerido
+
+1. Ejecutar OCR fuera del repositorio sobre `images/pages/`.
+2. Comparar calidad sobre una muestra antes de procesar el corpus completo.
+3. Generar los archivos finales en `data/transcripts/` y `data/transcripts-md/`.
+4. Generar `data/search-index.json` con texto normalizado para búsqueda.
+5. Verificar que cada resultado apunte a la página correcta en `/documentos/ver/?id=...&page=...`.
+
+### Motores OCR sugeridos
+
+- `Tesseract` con idioma `spa`, como línea base libre y fácil de automatizar
+- `PaddleOCR` como alternativa si la calidad sobre escaneos degradados resulta superior
+
+Dado que este archivo documental contiene imágenes históricas escaneadas, conviene evaluar ambos motores sobre una muestra con preprocesamiento previo: escala de grises, binarización, aumento de contraste y corrección de inclinación cuando sea necesario.
+
+El estado operativo y la lista de tareas pendientes se mantienen en `TRANSCRIPTS_OCR_PLAN.md`.
+
+### Estado actual de la implementación
+
+Hasta el momento se realizó lo siguiente:
+
+- extracción OCR completa fuera del repositorio sobre las `987` imágenes en `images/pages/`
+- generación de un conjunto corregido de transcripciones OCR a nivel página
+- incorporación al repositorio de artefactos por documento en:
+  - `data/transcripts/`
+  - `data/transcripts-md/`
+- generación de un índice global de búsqueda en `data/search-index.json`
+- integración de transcripciones en el visor `/documentos/ver/?id=...`
+- integración de búsqueda full-text por página en `/documentos/`
+- incorporación de una lectura histórica breve en la portada y una lectura ampliada en la sección `Acerca de`
+
+### Cómo quedó integrado en el sitio
+
+- cada documento carga su transcripción desde `data/transcripts/<doc-id>.json`
+- el visor muestra la imagen y la transcripción de la página actual
+- la navegación por página actualiza también la transcripción
+- el catálogo puede buscar coincidencias en título, descripción y texto OCR
+- los resultados de búsqueda de transcripción enlazan directamente a la página correspondiente del visor
+
+### Cobertura OCR actual
+
+- documentos con transcripción integrada: `26`
+- páginas indexadas para búsqueda: `962`
+- páginas sin texto OCR útil: `25`
+
+Estas páginas vacías o con OCR muy deficiente siguen siendo candidatas para revisión manual o para una segunda pasada específica.
+
+### Limitaciones actuales
+
+- algunas páginas con tablas, diagramas, sellos o maquetaciones complejas todavía presentan fragmentación del texto
+- la imagen escaneada sigue siendo la referencia principal
+- la transcripción debe leerse como apoyo de lectura y búsqueda, no como reemplazo exacto del documento fuente
+
+### Vista local
+
+Para revisar el sitio localmente:
+
+```bash
+python3 -m http.server 8000
+```
+
+Luego abrir:
+
+```text
+http://127.0.0.1:8000/
+```
+
+Ejemplos útiles:
+
+```text
+http://127.0.0.1:8000/documentos/
+http://127.0.0.1:8000/documentos/ver/?id=doc-12&page=45
+```
+
 ## Abreviaturas
 
 | Sigla | Significado |

acerca-desclasificacion/index.html

@@ -171,6 +171,81 @@ <h2>Organización del Material</h2>
       <li><strong>Carpeta 3 — Comisión Asesora de Antecedentes (CAA):</strong> 11 Resoluciones sobre la creación, funcionamiento y normas de calificación ideológica de la CAA (1973–1983).</li>
     </ul>
 
+    <section class="findings-section findings-section-about">
+      <div class="findings-intro">
+        <h2>Qué Revelan Estos Documentos</h2>
+        <p>
+          Tomados en conjunto, estos materiales permiten leer dimensiones centrales del funcionamiento
+          de la SIDE durante la última dictadura militar. No se trata sólo de papeles administrativos:
+          la documentación deja ver la lógica de organización, ocultamiento, coordinación territorial y
+          vigilancia ideológica con la que operó el aparato de inteligencia estatal entre 1976 y 1983.
+        </p>
+      </div>
+
+      <div class="finding-detail">
+        <h3>1. Reorganización institucional después del golpe</h3>
+        <p>
+          Las resoluciones sobre estructura orgánica, organigramas, misiones y funciones muestran que
+          la SIDE no fue un dispositivo difuso, sino una organización cuidadosamente jerarquizada y
+          reconfigurada a lo largo del período. En estos documentos aparecen nuevas áreas, cambios de
+          dependencia y la formalización de tareas internas, lo que permite observar cómo se consolidó
+          el aparato de inteligencia en los años posteriores a 1976.
+        </p>
+      </div>
+
+      <div class="finding-detail">
+        <h3>2. Encubrimiento y codificación del propio organismo</h3>
+        <p>
+          Las normas de encubrimiento del personal y de las dependencias, así como la codificación de
+          áreas y subsecretarías, revelan una preocupación institucional por enmascarar la estructura
+          misma de la Secretaría. Esto resulta significativo porque indica que el secreto no recaía sólo
+          sobre la información producida, sino también sobre la arquitectura del organismo, sus circuitos
+          internos y sus identidades operativas.
+        </p>
+      </div>
+
+      <div class="finding-detail">
+        <h3>3. Delegaciones territoriales y coordinación funcional</h3>
+        <p>
+          Las directivas y manuales sobre delegaciones regionales y provinciales sugieren una red
+          territorial de obtención de informaciones y coordinación con otras jefaturas del período.
+          En ese marco, la referencia a la colaboración en la “lucha contra la subversión” vuelve
+          visible el modo en que la estructura de inteligencia se proyectaba fuera de la sede central
+          y se articulaba con otros actores estatales y militares.
+        </p>
+      </div>
+
+      <div class="finding-detail">
+        <h3>4. Vigilancia ideológica sobre personas y materiales culturales</h3>
+        <p>
+          La documentación vinculada a la Comisión Asesora de Antecedentes exhibe un sistema de
+          clasificación y asesoramiento ideológico aplicado a personas, publicaciones, grabaciones,
+          películas y otros materiales. Esto es particularmente importante porque muestra que el control
+          no se limitaba a la inteligencia política en sentido estricto, sino que también alcanzaba la
+          circulación cultural y los criterios de evaluación de ideas, doctrinas y corrientes políticas.
+        </p>
+      </div>
+
+      <div class="finding-detail">
+        <h3>5. Sistematización de antecedentes y bases de datos</h3>
+        <p>
+          Los documentos finales del período dejan entrever una etapa de formalización más intensa del
+          registro interno, con referencias a equivalencias de calificación, microfichas y bases de datos
+          de antecedentes. Esa evolución resulta relevante porque muestra un pasaje desde la clasificación
+          ideológica hacia formas más estructuradas de administración y circulación de antecedentes dentro
+          del sistema de inteligencia.
+        </p>
+      </div>
+
+      <div class="findings-note">
+        <p>
+          Esta lectura se apoya en la documentación identificada y en sus descripciones archivísticas.
+          Cuando el texto OCR de una página presenta dudas o fragmentación, prevalece el sentido general
+          documentado en el conjunto del archivo antes que una interpretación aislada de una línea mal leída.
+        </p>
+      </div>
+    </section>
+
     <h2>Antecedentes Históricos</h2>
     <p>
       En 1946 durante el primer gobierno de Juan Domingo Perón se creó la <strong>Coordinación de