Dateitypen und Markdown - Conare

Dies gilt für beide Datei-Routen: Uploads und POST /parse.

Dateitypen

Datei	Erweiterungen	`type`
PDF	`.pdf`	`pdf`
Word	`.docx`, `.docm`, `.dotx`, `.doc` (97-2003), `.rtf`, `.odt`	`docx`, `doc`, `rtf`, `odt`
PowerPoint	`.pptx`, `.pptm`, `.potx`, `.ppsx`, `.ppt` (97-2003), `.odp`	`pptx`, `ppt`, `odp`
Excel	`.xlsx`, `.xlsm`, `.xls` (97-2003 und 5.0/95), `.ods`; Makros werden nie ausgeführt	`xlsx`, `ods` (`xls`, `xlsm` funktionieren auch)
CSV, TSV	`.csv`, `.tsv`	`csv`, `tsv`
Text, Markdown	`.txt`, `.md`	`txt`, `md`
Bilder	`.png`, `.jpg`, `.webp`, `.tif` (jede Seite), `.gif` (erstes Frame), `.bmp`, `.heic`, `.heif`	`png`, `jpeg`, `webp`, `tiff`, `gif`, `bmp`, `heic` (`jpg`, `tif`, `heif` funktionieren auch)

Wie gelesen wird
PDF-Seiten	Jede Seite mit Inhalt wird per OCR gelesen, auch digital erstellte, sodass Tabellen, Überschriften und Lesereihenfolge erhalten bleiben
Eine Seite, die OCR überspringt	Behält ihre eigene Textebene
`.doc`, `.rtf`, `.odt`	Werden als Word (`docx`) gelesen; `.ppt`, `.odp` als PowerPoint (`pptx`); `.xls`, `.ods` als Excel (`xlsx`)
`.ppt`-Tabellen	Werden als Text ihrer Zellen gelesen, eine pro Zeile
Diagramme	Ihr Titel, Achsentitel und eine Tabelle ihrer Werte

Mit 415 unsupported_file abgelehnt:

Datei	Speichern Sie sie als
Word 6.0/95	`.docx`
AVIF-Bilder	JPEG oder PNG

Markdown

Element	Geschrieben als
Seite, Folie, Tabellenblatt	Beginnt mit `<!-- page 3 -->`, `<!-- slide 4 -->` oder `<!-- sheet "Q3" -->`
Überschriften, Listen	`#` und `##`; `-` und `1.`
Tabellen	Markdown mit Kopfzeile; eine HTML-`<table>` mit `colspan` und `rowspan`, wenn Zellen verbunden sind oder sie über 30 Spalten oder 300 Zeilen hat
Zahlen	Genau wie gedruckt
Kopf- und Fußzeile	`<!-- header: ... -->` und `<!-- footer: ... -->`; Seitenzahlen werden weggelassen
Fußnoten	Am Ende ihrer Seite
Textfelder, Seitenleisten	In Lesereihenfolge
Kontrollkästchen, Formularfelder	☑ und ☐; `key: value`-Zeilen

Layout-Blöcke

Mit layout=true trägt jeder per OCR gelesene Teil blocks, die Bereiche seiner Seite.

Feld	Bedeutung
`type`	`title`, `text`, `list`, `table`, `image`, `header`, `footer`, `page_number`, …
`bbox`	`[x0, y0, x1, y1]` als Anteile der Seite, von oben links
`order`	Lesereihenfolge
`content`	Der Text des Blocks
`conf`	Die Sicherheit der OCR

Bilder in Word und PowerPoint

Jedes Bild wird per OCR gelesen, unabhängig von seiner Größe auf der Seite; beim Upload wird jedes zu einem Teil des Dokuments der Datei (Positionen).

Als Symbole oder Dekoration übersprungen: unter 64 Pixel auf beiden Seiten, unter 16 Pixel auf der kürzeren Seite oder auf beiden Seiten kleiner als ein halber Zoll angezeigt.
Ein auf einer späteren Folie wiederverwendetes Bild wird einmal gelesen, dort, wo es zuerst erscheint.

Jedes Bild ohne Text steht in without_text.images mit seinem reason:

`reason`	Bedeutung
`too_small`	Ein Symbol oder eine Dekoration, mit `width` und `height` in Pixeln
`not_raster`	Ein Vektorbild (EMF, WMF, SVG), das nicht gelesen wird
`unreadable`	Das Bild ist beschädigt
`not_read`	OCR konnte es nicht rechtzeitig lesen
`no_text`	OCR hat keinen Text gefunden

Noch nicht unterstützt

Extraktion in ein JSON-Schema.
Chunking-Optionen für POST /parse: Es gibt Teile und die ganze Datei zurück.