Types de fichiers et Markdown

Ces règles s’appliquent aux deux routes de fichiers : les uploads et POST /parse.

Types de fichiers

Fichier	Extensions	`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 et 5.0/95), `.ods` ; les macros ne s’exécutent jamais	`xlsx`, `ods` (`xls`, `xlsm` fonctionnent aussi)
CSV, TSV	`.csv`, `.tsv`	`csv`, `tsv`
Texte, Markdown	`.txt`, `.md`	`txt`, `md`
Images	`.png`, `.jpg`, `.webp`, `.tif` (chaque page), `.gif` (première image), `.bmp`, `.heic`, `.heif`	`png`, `jpeg`, `webp`, `tiff`, `gif`, `bmp`, `heic` (`jpg`, `tif`, `heif` fonctionnent aussi)

Mode de lecture
Pages PDF	Toute page non vide est lue par OCR, même les PDF natifs, pour conserver tableaux, titres et ordre de lecture
Une page ignorée par l’OCR	Garde sa propre couche de texte
`.doc`, `.rtf`, `.odt`	Lus comme Word (`docx`) ; `.ppt`, `.odp` comme PowerPoint (`pptx`) ; `.xls`, `.ods` comme Excel (`xlsx`)
Tableaux `.ppt`	Lus comme le texte de leurs cellules, une par ligne
Graphiques	Leur titre, les titres des axes et un tableau de leurs valeurs

Refusés avec 415 unsupported_file :

Fichier	Enregistrez-le en
Word 6.0/95	`.docx`
Images AVIF	JPEG ou PNG

Élément	Écrit sous la forme
Page, diapositive, feuille	Commence par `<!-- page 3 -->`, `<!-- slide 4 -->` ou `<!-- sheet "Q3" -->`
Titres, listes	`#` et `##` ; `-` et `1.`
Tableaux	Markdown avec une ligne d’en-tête ; un `<table>` HTML avec `colspan` et `rowspan` si des cellules sont fusionnées ou s’il dépasse 30 colonnes ou 300 lignes
Nombres	Exactement tels qu’imprimés
En-tête et pied de page courants	`<!-- header: ... -->` et `<!-- footer: ... -->` ; les numéros de page sont omis
Notes de bas de page	À la fin de leur page
Zones de texte, encadrés	Dans l’ordre de lecture
Cases à cocher, champs de formulaire	☑ et ☐ ; lignes `key: value`

Avec layout=true, chaque partie lue par OCR porte blocks, les régions de sa page.

Champ	Signification
`type`	`title`, `text`, `list`, `table`, `image`, `header`, `footer`, `page_number`, …
`bbox`	`[x0, y0, x1, y1]` en proportions de la page depuis son coin supérieur gauche
`order`	Ordre de lecture
`content`	Le texte du bloc
`conf`	La confiance de l’OCR

Chaque image est lue par OCR, quelle que soit sa taille sur la page ; à l’upload, chacune est une partie du document du fichier (emplacements).

Ignorées comme icônes ou décorations : moins de 64 pixels sur les deux côtés, moins de 16 pixels sur le petit côté, ou affichées à moins d’un demi-pouce sur les deux côtés.
Une image réutilisée sur une diapositive ultérieure n’est lue qu’une fois, là où elle apparaît d’abord.

Chaque image sans texte figure dans without_text.images avec sa reason :

`reason`	Signification
`too_small`	Une icône ou décoration, avec sa `width` et sa `height` en pixels
`not_raster`	Une image vectorielle (EMF, WMF, SVG), qui n’est pas lue
`unreadable`	L’image est endommagée
`not_read`	L’OCR n’a pas pu la lire à temps
`no_text`	L’OCR n’a trouvé aucun texte

L’extraction vers un schéma JSON.
Les options de découpage sur POST /parse : la route renvoie les parties et le fichier entier.