Extração de texto

Compatibilidade e especificações

Tipos de arquivos de entrada suportados

Você pode extrair texto de documentos em diferentes idiomas ou de um documento que tenha uma mistura de vários idiomas. Extraia texto dos seguintes tipos de arquivo:

Formatos de documentos compatíveis:

Tipo de arquivo	Extensão	Suporte à extração de texto	Extração semântica de pares chave-valor
arquivo PDF	.pdf	True	True
Powerpoint	.pptx.ppt	True	True
Documento do Word	.docx.doc	True	True
Excel	.xlsx	True	Não

Formatos de imagem compatíveis:

Tipo de arquivo	Extensão	Suporte à extração de texto	Extração semântica de pares chave-valor
Imagem BMP	.bmp	True	True
Imagem HEIC/HEIF	.heic.heif	True	True
Imagem JFIF	.jfif	True	True
Imagem JPEG	.jpeg.jpg	True	True
Imagem PNG	.png	True	True
Imagem TIFF/imagens múltiplas	.tif.tiff	True	True

Outros formatos compatíveis:

Tipo de arquivo	Extensão	Suporte à extração de texto	Extração semântica de pares chave-valor
HTML	.html	True	True
Marcação	.md	True	Não

Observação: não é possível usar a API de extração de texto para extrair dados em pares chave-valor de documentos XLSX.

Tipos de arquivos de saída suportados

Você pode armazenar o texto extraído nos seguintes formatos de arquivo:

• JSON
• Marcação
• HTML
• TXT

Para obter detalhes sobre o conteúdo do resultado extraído em cada tipo de arquivo de saída, consulte Especificação do formato de saída.

Tipos de armazenamento compatíveis

Você pode armazenar seus documentos de entrada nos seguintes tipos de armazenamento conectados:

• IBM Cloud Object Storage
• Amazon S3
• Qualquer armazenamento genérico compatível com o site Amazon S3
• Caixa
• Microsoft OneDrive
• Microsoft Azure Blob Storage
• Microsoft Azure File Storage
• IBM watsonx.data SharePoint
• IBM FileNet P8 Content Manager
• Folga
• Confluence
• Google Drive
• NFS

Você pode armazenar os arquivos de saída da extração de texto nos seguintes tipos de armazenamento conectados:

• IBM Cloud Object Storage

• Amazon S3

• Qualquer armazenamento genérico compatível com o site Amazon S3

• Caixa

• Microsoft OneDrive

• Microsoft Azure Blob Storage

• Microsoft Azure File Storage

• NFS

  Observação:A API de extração de texto é certificada para uso com o armazenamento de objetos genérico compatível com Amazon S3 MinIO.

Para obter detalhes sobre como criar uma conexão com os vários tipos de armazenamentos de dados em seu projeto, consulte Conectores para watsonx.ai.

Você também pode armazenar seus documentos e resultados de extração de texto em um contêiner associado a um projeto ou espaço de implementação.

Modelos de fundação com suporte

A API de extração de texto é certificada para usar o modelo mistral-small-3-1-24b-instruct-2503 para extração de pares de valores-chave e verbalização de imagens. Você também pode usar modelos alternativos capazes de processar entradas visuais e responder no formato JSON, tais como:

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

A API de extração de texto também é certificada para utilizar o pixtral-12b modelo na extração de pares chave-valor e na verbalização de imagens. No entanto, o modelo está obsoleto a partir da versão 2.3.0 e será removido em uma versão futura. Mude suas cargas de trabalho da API de extração de texto para os modelos mais recentes recomendados.

Para obter detalhes do modelo de fundação, consulte Modelos de fundação compatíveis.

Idiomas suportados

• No caso de documentos em PDF digitalizados e imagens, a extração de texto utiliza o Reconhecimento Ótico de Caracteres (OCR). Os idiomas suportados dependem dos modelos de idioma do OCR.
• Para documentos de formato programático, como HTML, Markdown e arquivos do Microsoft Word, do PowerPoint, e do Excel, a extração de texto é compatível com todos os idiomas.

A conversão de imagens em texto é compatível com documentos em todos os idiomas. No entanto, as descrições das imagens geradas são apresentadas em inglês, independentemente do idioma do documento de entrada.

A extração semântica de pares chave-valor é oficialmente compatível com as seguintes linguagens:

• Chinês
• Inglês
• Francês
• Alemão
• Italiano
• Japonês
• Português
• Espanhol

Ao usar a API, especifique o código do idioma correspondente ou o alfabeto compatível com o OCR.

Restrições

• Você pode extrair texto de tipos específicos de arquivos de entrada e armazenar a saída extraída em determinados tipos de arquivos. Nem todo tipo de arquivo de entrada pode ser extraído para todos os formatos de saída suportados. A tabela a seguir fornece detalhes sobre qual tipo de arquivo de entrada é compatível com os vários formatos de saída:

  Compatibilidade do tipo de arquivo de entrada e do formato de saída extraído para a API de extração de texto

  Tipo de arquivo de entrada	Formatos de arquivo de saída compatíveis
  PDF programático	Todos os formatos
  PDF digitalizado	Todos os formatos
  Imagem	Todos os formatos
  Arquivo Microsoft PowerPoint	Todos os formatos
  Arquivo do Microsoft Word	Todos os formatos
  Marcação	Todos os formatos
  Arquivo do Microsoft Excel	Markdown, JSON, texto simples
  Arquivo HTML	Markdown, JSON, texto simples

• Os resultados da extração de pares chave-valor são retornados apenas no formato de saída da montagem; portanto, os dados dos pares chave-valor não são incluídos nos formatos de saída HTML, Markdown ou texto simples.

Formas de trabalho

É necessário gerar credenciais para se autenticar nas APIs d watsonx.ai. Para mais detalhes, consulte Geração de um token de portador.

Você pode extrair texto de documentos armazenados em seu projeto watsonx.ai com esses métodos programáticos:

• API de REST
• Python
• Node.js

Saiba mais

• Extração de texto de documentos
• Adição de texto extraído à sua solução RAG