Dokumentkonvertierungs-API: PDF und Office zu Markdown, in der EU

POST /v1/documents/convert nimmt eine Datei als multipart/form-data entgegen und liefert ihren Inhalt als Text. Die Datei kommt in file, und mit output_format wählen Sie: markdown erhält Struktur wie Überschriften, nummerierte Paragrafen, Listen und Tabellen, text liefert reinen Text ohne Auszeichnung. Die Antwort enthält filename, die Zahl der pages und den konvertierten content.

Unterstützt werden PDF, Word (.docx), PowerPoint (.pptx), Excel (.xlsx), HTML und gängige Bildformate. Digital erzeugte PDFs werden direkt gelesen, schnell und exakt. Gescannte Seiten und Fotos von Dokumenten durchlaufen eine Texterkennung.

ocr steuert die Texterkennung. auto, der Standard, erkennt Seiten ohne Textebene und liest sie per Texterkennung, digitalen Text übernimmt es unverändert. force erkennt jede Seite neu, was bei PDFs mit fehlerhafter eingebetteter Textebene hilft. off überspringt die Erkennung und ist am schnellsten, wenn Sie wissen, dass die Dateien digital sind.

Tabellen werden zu Markdown-Tabellen, damit Zeilen und Spalten für das Modell zusammenbleiben. Kopf- und Fußzeilen sowie Seitenzahlen, die sich auf jeder Seite wiederholen, werden nach Möglichkeit entfernt, weil sie das Retrieval stören. Tabellenkalkulationen ergeben eine Tabelle pro Blatt, Präsentationen einen Abschnitt pro Folie mit dem Folientitel als Überschrift.

Hier beginnt eine Retrieval-Pipeline. Wandeln Sie jedes Dokument in Markdown um und teilen Sie es entlang der Überschriften statt nach fester Zeichenzahl, sodass jeder Abschnitt in sich schlüssig ist: eine Vertragsklausel, ein Richtlinienabsatz, eine Folie. Speichern Sie Überschriftenpfad und Seitenzahl als Metadaten, damit Antworten die Quelle nennen können.

Betten Sie die Abschnitte mit einem Embedding-Modell ein, legen Sie sie in Ihrer Vektordatenbank ab und sortieren Sie Treffer bei der Anfrage mit einem Reranker. Für Extraktionsaufgaben senden Sie das Markdown stattdessen mit einem JSON-Schema an ein Chat-Modell. Einmal konvertieren und das Markdown speichern ist günstiger, als dieselbe Datei bei jeder Frage neu umzuwandeln.

Passwortgeschützte oder verschlüsselte Dateien lassen sich nicht lesen und ergeben einen 400-Fehler; entfernen Sie den Schutz vorher. Beschädigte Dateien und nicht unterstützte Formate führen ebenfalls zu 400 mit einer Beschreibung des Problems. Dateien über der Maximalgröße ergeben 413; die Grenze hängt von Ihrem Tarif ab und wird mit Ihnen abgestimmt.

Sehr komplexe Layouts wie mehrspaltige Newsletter, verschachtelte Tabellen oder Text in Grafiken können in unerwarteter Reihenfolge herauskommen. Prüfen Sie Stichproben jeder Quelle, bevor Sie alles indexieren. Handschrift und schlechte Scans mindern die Erkennungsqualität. Wo Diagramme oder Handschrift die Bedeutung tragen, senden Sie das Seitenbild zusätzlich an ein Vision-Modell.