Tipos de arquivo e Markdown

Isto vale para as duas rotas de arquivos: uploads e POST /parse.

Tipos de arquivo

Arquivo	Extensões	`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`; macros nunca são executadas	`xlsx`, `ods` (`xls`, `xlsm` também funcionam)
CSV, TSV	`.csv`, `.tsv`	`csv`, `tsv`
Texto, Markdown	`.txt`, `.md`	`txt`, `md`
Imagens	`.png`, `.jpg`, `.webp`, `.tif` (todas as páginas), `.gif` (primeiro quadro), `.bmp`, `.heic`, `.heif`	`png`, `jpeg`, `webp`, `tiff`, `gif`, `bmp`, `heic` (`jpg`, `tif`, `heif` também funcionam)

Como é lido
Páginas de PDF	Toda página com algum conteúdo é lida por OCR, inclusive as nativamente digitais, então tabelas, títulos e ordem de leitura são preservados
Uma página que o OCR pula	Mantém sua própria camada de texto
`.doc`, `.rtf`, `.odt`	Lidos como Word (`docx`); `.ppt`, `.odp` como PowerPoint (`pptx`); `.xls`, `.ods` como Excel (`xlsx`)
Tabelas de `.ppt`	Lidas como o texto de suas células, um por linha
Gráficos	Seu título, os títulos dos eixos e uma tabela com seus valores

Recusados com 415 unsupported_file:

Arquivo	Salve como
Word 6.0/95	`.docx`
Imagens AVIF	JPEG ou PNG

Elemento	Escrito como
Página, slide, planilha	Começa com `<!-- page 3 -->`, `<!-- slide 4 -->` ou `<!-- sheet "Q3" -->`
Títulos, listas	`#` e `##`; `-` e `1.`
Tabelas	Markdown com uma linha de cabeçalho; uma `<table>` HTML com `colspan` e `rowspan` quando há células mescladas ou mais de 30 colunas ou 300 linhas
Números	Exatamente como impressos
Cabeçalho e rodapé recorrentes	`<!-- header: ... -->` e `<!-- footer: ... -->`; números de página são omitidos
Notas de rodapé	No fim da sua página
Caixas de texto, barras laterais	Na ordem de leitura
Caixas de seleção, campos de formulário	☑ e ☐; linhas `key: value`

Com layout=true, cada parte lida pelo OCR traz blocks, as regiões da sua página.

Campo	Significado
`type`	`title`, `text`, `list`, `table`, `image`, `header`, `footer`, `page_number`, …
`bbox`	`[x0, y0, x1, y1]` como frações da página a partir do canto superior esquerdo
`order`	Ordem de leitura
`content`	O texto do bloco
`conf`	A confiança do OCR

Toda imagem é lida por OCR, qualquer que seja seu tamanho na página; no upload, cada uma é uma parte do documento do arquivo (localizações).

Ignoradas como ícones ou decorações: menos de 64 pixels nos dois lados, menos de 16 pixels no lado menor, ou exibidas com menos de meia polegada nos dois lados.
Uma imagem reutilizada em um slide posterior é lida uma vez, onde aparece primeiro.

Cada imagem que não gerou texto fica em without_text.images com seu reason:

`reason`	Significado
`too_small`	Um ícone ou decoração, com sua `width` e `height` em pixels
`not_raster`	Uma imagem vetorial (EMF, WMF, SVG), que não é lida
`unreadable`	A imagem está danificada
`not_read`	O OCR não conseguiu lê-la a tempo
`no_text`	O OCR não encontrou texto