Tipi di file e Markdown - Conare

Valgono per entrambe le route dei file: caricamenti e POST /parse.

Tipi di file

File	Estensioni	`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 e 5.0/95), `.ods`; le macro non vengono mai eseguite	`xlsx`, `ods` (funzionano anche `xls`, `xlsm`)
CSV, TSV	`.csv`, `.tsv`	`csv`, `tsv`
Testo, Markdown	`.txt`, `.md`	`txt`, `md`
Immagini	`.png`, `.jpg`, `.webp`, `.tif` (ogni pagina), `.gif` (primo frame), `.bmp`, `.heic`, `.heif`	`png`, `jpeg`, `webp`, `tiff`, `gif`, `bmp`, `heic` (funzionano anche `jpg`, `tif`, `heif`)

Come viene letto
Pagine PDF	Ogni pagina con del contenuto viene letta tramite OCR, anche quelle nate digitali, quindi tabelle, titoli e ordine di lettura vengono preservati
Una pagina che l’OCR salta	Mantiene il proprio livello di testo
`.doc`, `.rtf`, `.odt`	Letti come Word (`docx`); `.ppt`, `.odp` come PowerPoint (`pptx`); `.xls`, `.ods` come Excel (`xlsx`)
Tabelle `.ppt`	Lette come testo delle celle, una per riga
Grafici	Il titolo, i titoli degli assi e una tabella dei valori

Rifiutati con 415 unsupported_file:

File	Salvalo come
Word 6.0/95	`.docx`
Immagini AVIF	JPEG o PNG

Markdown

Elemento	Scritto come
Pagina, slide, foglio	Inizia con `<!-- page 3 -->`, `<!-- slide 4 -->` o `<!-- sheet "Q3" -->`
Titoli, elenchi	`#` e `##`; `-` e `1.`
Tabelle	Markdown con una riga di intestazione; una `<table>` HTML con `colspan` e `rowspan` quando le celle sono unite o supera 30 colonne o 300 righe
Numeri	Esattamente come stampati
Intestazione e piè di pagina ricorrenti	`<!-- header: ... -->` e `<!-- footer: ... -->`; i numeri di pagina vengono omessi
Note a piè di pagina	Alla fine della loro pagina
Caselle di testo, riquadri laterali	Nell’ordine di lettura
Caselle di controllo, campi modulo	☑ e ☐; righe `key: value`

Blocchi di layout

Con layout=true, ogni parte letta dall’OCR include blocks, le regioni della sua pagina.

Campo	Significato
`type`	`title`, `text`, `list`, `table`, `image`, `header`, `footer`, `page_number`, …
`bbox`	`[x0, y0, x1, y1]` come frazioni della pagina a partire dall’angolo in alto a sinistra
`order`	Ordine di lettura
`content`	Il testo del blocco
`conf`	La certezza dell’OCR

Immagini in Word e PowerPoint

Ogni immagine viene letta tramite OCR, qualunque sia la sua dimensione nella pagina; al caricamento ciascuna è una parte del documento del file (posizioni).

Ignorate come icone o decorazioni: sotto i 64 pixel su entrambi i lati, sotto i 16 pixel sul lato più corto, o mostrate sotto mezzo pollice su entrambi i lati.
Un’immagine riutilizzata in una slide successiva viene letta una volta, dove compare per la prima volta.

Ogni immagine che non ha prodotto testo si trova in without_text.images con il suo reason:

`reason`	Significato
`too_small`	Un’icona o decorazione, con `width` e `height` in pixel
`not_raster`	Un’immagine vettoriale (EMF, WMF, SVG), che non viene letta
`unreadable`	L’immagine è danneggiata
`not_read`	L’OCR non è riuscito a leggerla in tempo
`no_text`	L’OCR non ha trovato testo

Non ancora supportato

Estrazione in uno schema JSON.
Opzioni di chunking su POST /parse: restituisce le parti e l’intero file.