API de conversion de documents : PDF et Office en Markdown, dans l'UE

POST /v1/documents/convert reçoit un fichier en multipart/form-data et renvoie son contenu sous forme de texte. Placez le fichier dans file et choisissez output_format : markdown conserve la structure (titres, articles numérotés, listes, tableaux), tandis que text renvoie du texte brut sans balisage. La réponse contient le filename, le nombre de pages et le content converti.

Les formats pris en charge comprennent le PDF, Word (.docx), PowerPoint (.pptx), Excel (.xlsx), le HTML et les formats d'image courants. Les PDF nativement numériques sont lus directement, vite et sans perte. Les pages scannées et les photos de documents passent par une reconnaissance optique de caractères.

ocr pilote la reconnaissance de texte. auto, la valeur par défaut, repère les pages sans couche texte et les reconnaît, tout en conservant le texte numérique tel quel. force relance la reconnaissance sur chaque page, utile pour les PDF dont le texte intégré est corrompu. off la désactive, ce qui est le plus rapide si vous savez que vos fichiers sont numériques.

Les tableaux deviennent des tableaux Markdown, pour que lignes et colonnes restent alignées aux yeux du modèle. Les en-têtes, pieds de page et numéros de page répétés sur chaque page sont retirés lorsqu'ils sont détectables, car ils parasitent la recherche. Un tableur donne un tableau par feuille, une présentation une section par diapositive, avec son titre.

Un pipeline de recherche commence ici. Convertissez chaque document en Markdown, puis découpez-le selon ses titres plutôt qu'à nombre fixe de caractères, pour que chaque morceau forme un tout : une clause de contrat, un paragraphe de politique interne, une diapositive. Conservez le chemin des titres et le numéro de page en métadonnées pour que les réponses citent leur source.

Vectorisez les morceaux avec un modèle d'embeddings, stockez-les dans votre base vectorielle et reclassez les résultats au moment de la requête. Pour une tâche d'extraction, envoyez plutôt le Markdown à un modèle de chat avec un schéma JSON. Convertir une fois et conserver le Markdown revient moins cher que reconvertir le même fichier à chaque question.

Un fichier protégé par mot de passe ou chiffré ne peut pas être lu et renvoie une erreur 400 : retirez la protection au préalable. Les fichiers corrompus et les formats non pris en charge renvoient aussi un 400 qui précise le problème. Au-delà de la taille maximale, l'API renvoie un 413 ; la limite dépend de votre offre et nous vous la confirmons.

Les mises en page très complexes, comme les lettres d'information en colonnes, les tableaux imbriqués ou le texte dans des schémas, peuvent sortir dans un ordre inattendu. Contrôlez un échantillon de chaque source avant de tout indexer. L'écriture manuscrite et les scans de mauvaise qualité dégradent la reconnaissance ; pour ces pages, envoyez aussi l'image à un modèle de vision.