Tipos de archivo y Markdown

Esto se aplica a ambas rutas de archivos: las subidas y POST /parse.

Tipos de archivo

Archivo	Extensiones	`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 y 5.0/95), `.ods`; las macros nunca se ejecutan	`xlsx`, `ods` (`xls`, `xlsm` también funcionan)
CSV, TSV	`.csv`, `.tsv`	`csv`, `tsv`
Texto, Markdown	`.txt`, `.md`	`txt`, `md`
Imágenes	`.png`, `.jpg`, `.webp`, `.tif` (todas las páginas), `.gif` (primer fotograma), `.bmp`, `.heic`, `.heif`	`png`, `jpeg`, `webp`, `tiff`, `gif`, `bmp`, `heic` (`jpg`, `tif`, `heif` también funcionan)

Cómo se lee
Páginas de PDF	Cada página con contenido se lee mediante OCR, también las nativas digitales, así que se conservan las tablas, los encabezados y el orden de lectura
Una página que el OCR omite	Conserva su propia capa de texto
`.doc`, `.rtf`, `.odt`	Se leen como Word (`docx`); `.ppt`, `.odp` como PowerPoint (`pptx`); `.xls`, `.ods` como Excel (`xlsx`)
Tablas de `.ppt`	Se leen como el texto de sus celdas, una por línea
Gráficos	Su título, los títulos de los ejes y una tabla con sus valores

Se rechazan con 415 unsupported_file:

Archivo	Guárdalo como
Word 6.0/95	`.docx`
Imágenes AVIF	JPEG o PNG

Elemento	Se escribe como
Página, diapositiva, hoja	Empieza por `<!-- page 3 -->`, `<!-- slide 4 -->` o `<!-- sheet "Q3" -->`
Encabezados, listas	`#` y `##`; `-` y `1.`
Tablas	Markdown con una fila de encabezado; una `<table>` HTML con `colspan` y `rowspan` cuando hay celdas combinadas o supera 30 columnas o 300 filas
Números	Exactamente como se imprimen
Encabezado y pie de página recurrentes	`<!-- header: ... -->` y `<!-- footer: ... -->`; los números de página se omiten
Notas al pie	Al final de su página
Cuadros de texto, barras laterales	En orden de lectura
Casillas, campos de formulario	☑ y ☐; líneas `key: value`

Con layout=true, cada parte leída por OCR incluye blocks, las regiones de su página.

Campo	Significado
`type`	`title`, `text`, `list`, `table`, `image`, `header`, `footer`, `page_number`, …
`bbox`	`[x0, y0, x1, y1]` como fracciones de la página desde su esquina superior izquierda
`order`	Orden de lectura
`content`	El texto del bloque
`conf`	La certeza del OCR

Cada imagen se lee mediante OCR, sea cual sea su tamaño en la página; al subirla, cada una es una parte del documento del archivo (ubicaciones).

Se omiten como iconos o decoraciones: menos de 64 píxeles en ambos lados, menos de 16 píxeles en el lado más corto, o mostradas a menos de media pulgada en ambos lados.
Una imagen que se repite en una diapositiva posterior se lee una sola vez, donde aparece por primera vez.

Cada imagen que no dio texto figura en without_text.images con su reason:

`reason`	Significado
`too_small`	Un icono o decoración, con su `width` y `height` en píxeles
`not_raster`	Una imagen vectorial (EMF, WMF, SVG), que no se lee
`unreadable`	La imagen está dañada
`not_read`	El OCR no pudo leerla a tiempo
`no_text`	El OCR no encontró texto

Extracción a un esquema JSON.
Opciones de fragmentación en POST /parse: devuelve las partes y el archivo completo.