Text-Extraktion

Kompatibilität und technische Daten

Unterstützte Eingabedateitypen

Sie können Text aus Dokumenten in verschiedenen Sprachen oder aus einem Dokument, das mehrere Sprachen enthält, extrahieren. Extrahieren Sie Text aus den folgenden Dateitypen:

Unterstützte Dokumentformate:

Dateityp	Erweiterung	Unterstützung bei der Textextraktion	Semantische Extraktion von Schlüssel-Wert-Paaren
PDF-Datei	.pdf	Ja	Ja
Powerpoint	.pptx.ppt	Ja	Ja
Word-Dokument	.docx.doc	Ja	Ja
Excel	.xlsx	Ja	Nein

Unterstützte Bildformate:

Dateityp	Erweiterung	Unterstützung bei der Textextraktion	Semantische Extraktion von Schlüssel-Wert-Paaren
BMP-Bild	.bmp	Ja	Ja
HEIC-/HEIF-Bild	.heic.heif	Ja	Ja
JFIF-Bild	.jfif	Ja	Ja
JPEG-Bild	.jpeg.jpg	Ja	Ja
PNG-Bild	.png	Ja	Ja
TIFF-Bild/Mehrfachbild	.tif.tiff	Ja	Ja

Weitere unterstützte Formate:

Dateityp	Erweiterung	Unterstützung bei der Textextraktion	Semantische Extraktion von Schlüssel-Wert-Paaren
HTML	.html	Ja	Ja
Preisabschlag	.md	Ja	Nein

Hinweis: Mit der Text-Extraktions-API können keine Schlüssel-Wert-Paare aus XLSX-Dokumenten extrahiert werden.

Unterstützte Ausgabedateitypen

Sie können den extrahierten Text in den folgenden Dateiformaten speichern:

• JSON
• Preisabschlag
• HTML
• TXT

Einzelheiten über den Inhalt des extrahierten Ergebnisses in den einzelnen Ausgabedateitypen finden Sie unter Festlegen des Ausgabeformats.

Unterstützte Speichertypen

Sie können Ihre Eingabedokumente in den folgenden angeschlossenen Speichertypen speichern:

• IBM Cloud Object Storage
• Amazon S3
• Jeder generische Amazon S3 -kompatible Speicher
• Box
• Microsoft OneDrive
• Microsoft Azure Blob Storage
• Microsoft Azure File Storage
• IBM watsonx.data SharePoint
• IBM FileNet P8 Content Manager
• Slack
• Confluence
• Google Drive
• NFS

Sie können die Ausgabedateien der Textextraktion in den folgenden verbundenen Speichertypen speichern:

• IBM Cloud Object Storage

• Amazon S3

• Jeder generische Amazon S3 -kompatible Speicher

• Box

• Microsoft OneDrive

• Microsoft Azure Blob Storage

• Microsoft Azure File Storage

• NFS

  Hinweis:Die Textextraktions-API ist für die Verwendung mit dem generischen Amazon S3 -kompatiblen MinIO Objektspeicher zertifiziert.

Einzelheiten zum Erstellen einer Verbindung zu den verschiedenen Arten von Datenspeichern in Ihrem Projekt finden Sie unter Konnektoren für watsonx.ai.

Sie können Ihre Dokumente und Textextraktionsergebnisse auch in einem Container speichern, der mit einem Projekt oder einem Bereitstellungsbereich verbunden ist.

Unterstützte Stiftungsmodelle

Die Textextraktions-API ist für die Verwendung des Modells mistral-small-3-1-24b-instruct-2503 für die Extraktion von Schlüssel-Wert-Paaren und die Verbalisierung von Bildern zertifiziert. Sie können auch alternative Modelle verwenden, die visuelle Eingaben verarbeiten und im JSON-Format antworten können, wie zum Beispiel:

• llama-4-maverick-17b-128e-instruct-fp8
• mistral-medium-2505
• mistral-medium-2508

Die Text-Extraktions-API ist zudem für die Verwendung des pixtral-12b Modells zur Extraktion von Schlüssel-Wert-Paaren und zur Bildbeschreibung zertifiziert. Das Modell ist jedoch ab Version 2.3.0 veraltet und wird in einer zukünftigen Version entfernt. Stellen Sie Ihre Workloads für die Text-Extraktions-API auf die neuesten empfohlenen Modelle um.

Einzelheiten zu den Fundamentmodellen finden Sie unter Unterstützte Fundamentmodelle.

Unterstützte Sprachen

• Bei gescannten PDF-Dokumenten und Bildern erfolgt die Texterfassung mittels optischer Zeichenerkennung (OCR). Die unterstützten Sprachen hängen von den OCR-Sprachmodellen ab.
• Bei programmierbaren Dokumenten wie HTML, Markdown sowie Microsoft Word-, „ PowerPoint, “- und Excel-Dateien unterstützt die Textextraktion alle Sprachen.

Die Bildbeschriftung wird für Dokumente in allen Sprachen unterstützt. Die generierten Bildbeschreibungen werden jedoch unabhängig von der Sprache des Eingabedokuments auf Englisch ausgegeben.

Die semantische Extraktion von Schlüssel-Wert-Paaren wird offiziell für die folgenden Sprachen unterstützt:

• Chinesisch
• Englisch
• Französisch
• Deutsch
• Italienisch
• Japanisch
• Portugiesisch
• Spanisch

Geben Sie bei der Verwendung der API den entsprechenden Sprachcode oder das von der OCR unterstützte Schriftsystem an.

Einschränkungen

• Sie können Text aus bestimmten Eingabedateitypen extrahieren und die extrahierte Ausgabe in bestimmten Dateitypen speichern. Nicht jeder Eingabedateityp kann in jedes unterstützte Ausgabeformat extrahiert werden. Die folgende Tabelle enthält Einzelheiten darüber, welcher Eingabedateityp mit den verschiedenen Ausgabeformaten kompatibel ist:

  Kompatibilität von Eingabedateityp und extrahiertem Ausgabeformat für die Textextraktions-API

  Typ der Eingabedatei	Kompatible Ausgabedateiformate
  Programmatische PDF	Alle Formate
  Gescanntes PDF	Alle Formate
  Bild	Alle Formate
  Microsoft PowerPoint Datei	Alle Formate
  Microsoft Word-Datei	Alle Formate
  Preisabschlag	Alle Formate
  Microsoft Excel-Datei	Markdown, JSON, einfacher Text
  HTML-Datei	Markdown, JSON, einfacher Text

• Die Ergebnisse der Schlüssel-Wert-Paar-Extraktion werden ausschließlich im Assembly-Ausgabeformat zurückgegeben, sodass Schlüssel-Wert-Paar-Daten nicht in den Ausgabeformaten HTML, Markdown oder Klartext enthalten sind.

Wege zur Arbeit

Sie müssen Anmeldedaten erstellen, um sich bei den APIs von „ watsonx.ai “ zu authentifizieren. Weitere Informationen finden Sie unter „Erstellen eines Bearer-Tokens “.

Mit diesen programmatischen Methoden können Sie Text aus Dokumenten extrahieren, die in Ihrem watsonx.ai Projekt gespeichert sind:

• REST-API
• Python
• Node.js

Weitere Informationen

• Extrahieren von Text aus Dokumenten
• Hinzufügen von extrahiertem Text zu Ihrer RAG-Lösung