Типи файлів і Markdown - Conare

Це стосується обох маршрутів для файлів: завантажень і POST /parse.

Типи файлів

Файл	Розширення	`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 і 5.0/95), `.ods`; макроси ніколи не запускаються	`xlsx`, `ods` (`xls`, `xlsm` теж працюють)
CSV, TSV	`.csv`, `.tsv`	`csv`, `tsv`
Текст, Markdown	`.txt`, `.md`	`txt`, `md`
Зображення	`.png`, `.jpg`, `.webp`, `.tif` (кожна сторінка), `.gif` (перший кадр), `.bmp`, `.heic`, `.heif`	`png`, `jpeg`, `webp`, `tiff`, `gif`, `bmp`, `heic` (`jpg`, `tif`, `heif` теж працюють)

Як читається
Сторінки PDF	Кожна непорожня сторінка читається через OCR, навіть створена в цифровому вигляді, тож таблиці, заголовки й порядок читання зберігаються
Сторінка, яку OCR пропускає	Зберігає власний текстовий шар
`.doc`, `.rtf`, `.odt`	Читаються як Word (`docx`); `.ppt`, `.odp` — як PowerPoint (`pptx`); `.xls`, `.ods` — як Excel (`xlsx`)
Таблиці `.ppt`	Читаються як текст їхніх клітинок, по одній на рядок
Діаграми	Їхня назва, назви осей і таблиця їхніх значень

Відхиляються з 415 unsupported_file:

Файл	Збережіть його як
Word 6.0/95	`.docx`
Зображення AVIF	JPEG або PNG

Markdown

Елемент	Записується як
Сторінка, слайд, аркуш	Починається з `<!-- page 3 -->`, `<!-- slide 4 -->` або `<!-- sheet "Q3" -->`
Заголовки, списки	`#` і `##`; `-` і `1.`
Таблиці	Markdown із рядком заголовка; HTML `<table>` з `colspan` і `rowspan`, коли клітинки об’єднано або коли таблиця має понад 30 стовпців чи 300 рядків
Числа	Точно як надруковано
Колонтитули	`<!-- header: ... -->` і `<!-- footer: ... -->`; номери сторінок пропускаються
Виноски	Наприкінці своєї сторінки
Текстові поля, бічні панелі	У порядку читання
Прапорці, поля форм	☑ і ☐; рядки `key: value`

Блоки макета

З layout=true кожна частина, прочитана OCR, містить blocks — області своєї сторінки.

Поле	Значення
`type`	`title`, `text`, `list`, `table`, `image`, `header`, `footer`, `page_number`, …
`bbox`	`[x0, y0, x1, y1]` як частки сторінки від її верхнього лівого кута
`order`	Порядок читання
`content`	Текст блоку
`conf`	Упевненість OCR

Зображення у Word і PowerPoint

Кожне зображення читається через OCR, незалежно від його розміру на сторінці; під час завантаження кожне стає частиною документа файлу (розташування).

Пропускаються як значки чи декорації: менше 64 пікселів з обох боків, менше 16 пікселів з коротшого боку або показані меншими за пів дюйма з обох боків.
Зображення, використане повторно на пізнішому слайді, читається один раз — там, де воно з’являється вперше.

Кожне зображення, з якого не отримано тексту, є в without_text.images зі своєю reason:

`reason`	Значення
`too_small`	Значок або декорація, з `width` і `height` у пікселях
`not_raster`	Векторне зображення (EMF, WMF, SVG), яке не читається
`unreadable`	Зображення пошкоджене
`not_read`	OCR не встиг його прочитати
`no_text`	OCR не знайшов тексту

Поки не підтримується

Видобування за JSON-схемою.
Параметри розбиття на фрагменти в POST /parse: він повертає частини й увесь файл.