텍스트 추출로 생성된 추출된 JSON 구조 구문 분석하기
마지막 업데이트 날짜: 2025년 7월 11일
텍스트 추출 API를 사용하여 문서 또는 이미지 파일에서 추출한 텍스트는 문서의 다양한 텍스트 및 시각적 요소에 대한 세부 정보가 포함된 JSON 파일에 기록됩니다. 생성된 JSON을 추가로 처리하여 원하는 정보를 추출할 수 있습니다.
텍스트 추출 API를 사용하여 텍스트를 추출할 때 항상 다음 JSON 객체가 반환됩니다. 이러한 루트 객체 내의 구조는 선택 사항이므로 출력에 반환될 수도 있고 반환되지 않을 수도 있습니다.
' styles ' 키는 종종 반환되는 또 다른 루트 수준 객체이지만 선택 사항입니다. ' styles ' 객체에는 문서에 사용된 글꼴 크기 및 글꼴 스타일과 같은 글꼴에 대한 세부 정보가 각각 포함된 사전 목록이 포함되어 있습니다.
관심 있는 구조에서 텍스트를 추출하는 코드를 작성할 수 있습니다. 자세한 내용은 다음 섹션을 참조하세요:
JSON 스키마에 대한 자세한 내용은 텍스트 추출 JSON 스키마로 이동하세요.
메타데이터
' metadata ' 키는 다음과 같이 처리된 문서의 메타데이터에 대한 세부 정보가 포함된 사전입니다:
num_pages': 문서의 페이지 수입니다.title: 문서의 제목입니다.keywords': 문서와 관련된 키워드입니다.author: 문서 작성자.publication_date': 문서가 생성 또는 게시된 날짜입니다.subject' : 문서의 제목.charset': 문서에 사용되는 문자 집합의 표준입니다.
다음 JSON 출력은 PDF 파일의 메타데이터 객체 구조의 예입니다.
"metadata":{
"num_pages":28,
"title":"Put AI to work for HR and talent transformation for the retail industry",
"keywords":"",
"author":"IBM",
"publication_date":"",
"subject":"Apply AI capabilities to drive your HR and talent transformation and generate better business outcomes in the retail industry.",
"charset":"UTF-8"
}
구조
구문 분석된 문서의 데이터 구조를 참조하는 두 개의 키가 있습니다:
top_level_structures': 최상위 데이터 구조의 ID 목록입니다.all_structures': 모든 데이터 구조 유형 목록입니다.
' all_structures ' 키에는 구문 분석된 문서에서 가능한 모든 유형의 데이터 구조 목록이 포함되어 있습니다. 이 구조는 선택 사항이므로 출력에 포함되거나 포함되지 않을 수 있습니다. 구문 분석된 문서에 포함될 수 있는 일부 데이터 구조는 다음과 같습니다:
sections': 문서의 모든 섹션 목록입니다.section_titles': 감지된 섹션의 제목 목록입니다.lists': 문서에 있는 모든 목록의 모음입니다.list_items': 감지된 목록 객체에 존재하는 목록 항목의 모음입니다.list_identifiers': 감지된 목록 객체의 목록 식별자 모음입니다.tables': 문서에 있는 모든 테이블 목록입니다.table_rows': 감지된 테이블에 존재하는 테이블 행의 목록입니다.table_cells': 감지된 테이블 행에 존재하는 테이블 셀 목록입니다.tokens': 일반 텍스트 토큰 목록입니다.subscripts': 문서에서 감지된 토큰과 관련된 아래 첨자 텍스트의 인스턴스 목록입니다.superscripts: 문서에서 감지된 토큰과 관련된 위 첨자 텍스트의 인스턴스 목록입니다footnotes': 각주 목록입니다.paragraphs: 단락 목록입니다.
추출된 JSON으로 작업하기
JSON 프로세서 라이브러리를 사용하여 생성된 JSON 파일의 다양한 구조에서 텍스트를 추출할 수 있습니다.
다음 명령은 단일 JSON 객체에 저장된 값인 PDF의 페이지 수를 반환합니다:
cat output_retail.json | jq '.metadata.num_pages'
참고: 이 명령은 별도로 설치해야 하는 명령줄 JSON 프로세서인 jq를 사용합니다.
테이블 및 목록과 같은 일부 구조의 경우, 추출된 텍스트는 생성된 JSON 내의 다양한 객체에 저장됩니다. 코드를 사용하여 개체를 가로지르며 관심 있는 텍스트를 추출할 수 있습니다.
단락이 표시되는 방식
하나의 단락은 여러 개의 토큰을 순서대로 연결하는 것이 가장 일반적이며, 각 토큰은 하나의 단어를 나타냅니다.
경우에 따라 단락은 섹션 및 목록과 같은 다른 구조와 연결되어 있습니다.
다음 JSON 출력은 문장에서 단락과 토큰이 어떻게 연관되어 있는지, PDF에서 텍스트를 추출할 때 데이터를 수집, 정리, 성장시키는 방법을 보여줍니다.
//The section is listed in the top_level_structures array.
"top_level_structures":["PARA_fbdcdd",...,"SECTION_a2ab08",...],
//The section has a list of parapraphs.
{"id":"SECTION_9a3dda","parent_id":"SECTION_a2ab08","children_ids":["PARA_09384c",...
//The paragraph contains a section title.
{"id":"PARA_09384c","parent_id":"SECTION_9a3dda",
"text_alignment":"left","children_ids":["SECTION_TITLE_a5e3c2"],
//Token IDs listed for the section title.
{"id":"SECTION_TITLE_a5e3c2","parent_id":"PARA_09384c",
"text_alignment":"TBD","children_ids":[
"TOKEN_48bbae","TOKEN_cc0b9c","TOKEN_d57d27","TOKEN_a7d6da"
]},
//Consecutive tokens with a shared parent_id contain the text from the sentence of interest.
{"id":"TOKEN_48bbae","parent_id":"SECTION_TITLE_a5e3c2","style_id":"IBM_Plex_Sans_Light_Black_32_0",
"text":"Collect,",
"bbox":{"page_number":8,"x":283.0,"y":775.2945,"width":106.43201,"height":21.44}},
{"id":"TOKEN_cc0b9c","parent_id":"SECTION_TITLE_a5e3c2","style_id":"IBM_Plex_Sans_Light_Black_32_0",
"text":"organize,",
"bbox":{"page_number":8,"x":396.984,"y":775.2945,"width":126.78082,"height":21.44}},
{"id":"TOKEN_d57d27","parent_id":"SECTION_TITLE_a5e3c2","style_id":"IBM_Plex_Sans_Light_Black_32_0",
"text":"grow",
"bbox":{"page_number":8,"x":531.31683,"y":775.2945,"width":69.823975,"height":21.44}},
{"id":"TOKEN_a7d6da","parent_id":"SECTION_TITLE_a5e3c2","style_id":"IBM_Plex_Sans_Light_Black_32_0",
"text":"data",
"bbox":{"page_number":8,"x":608.6928,"y":775.2945,"width":62.880005,"height":21.44}},
이미지의 텍스트가 표현되는 방식
이미지가 포함된 PDF 파일 또는 이미지 파일을 watsonx.ai API의 텍스트 추출 메서드에 제출하면 이미지의 텍스트는 ' tokens로 표시됩니다. ' tokens '은 일반적으로 ' paragraph ' 또는 ' section ' 객체에 포함되어 있습니다.
다음 JSON 발췌문은 텍스트 추출 방법으로 제출한 PNG 파일이 JSON 출력에서 어떻게 표현되는지 보여줍니다. 텍스트 토큰이 포함된 단락 객체는 ' top_level_structures 객체와 ' all_structures ' 루트 객체 모두에서 사용할 수 있습니다.
"top_level_structures":
[
"PARA_bc9320","PARA_8e9e62","PARA_b7f5cc","PARA_c75980","PARA_61a6a5","PARA_c8c2a8","PARA_8b8dd6","PARA_8c7c77","PARA_61aa92","PARA_1e6d2a","PARA_6eaa8d","PARA_cc6df5","PARA_4a9fb2"
],
"all_structures":{"sections":[],"section_titles":[],"lists":[],
"list_items":[],"list_identifiers":[],"tables":[],"table_rows":[],
"table_cells":[],"subscripts":[],"superscripts":[],"footnotes":[],
"paragraphs":
[
{"id":"PARA_bc9320","parent_id":"root","text_alignment":"center",
"children_ids":["TOKEN_132783","TOKEN_f0e333","TOKEN_dd48c3",
"TOKEN_c9b25e","TOKEN_080303","TOKEN_ce1aa0","TOKEN_97bf62"]...
{"id":"PARA_8e9e62","parent_id":"root",...
...
{"id":"PARA_4a9fb2","parent_id":"root",...
]
추출된 텍스트는 단락 내의 토큰에 지정됩니다. 다음 토큰은 다음과 같이 이미지에서 The AI Ladder®라는 단어를 나타냅니다:
"tokens":[
{"id":"TOKEN_132783","parent_id":"PARA_bc9320","style_id":"Arial_Black_10_0",
"text":"The","bbox":{"page_number":1,"x":250.65,"y":109.3,"width":38.880005,"height":21.48999}},
{"id":"TOKEN_f0e333","parent_id":"PARA_bc9320","style_id":"Arial_Black_10_0",
"text":"AI","bbox":{"page_number":1,"x":295.82,"y":114.67,"width":24.109985,"height":16.290009}},
{"id":"TOKEN_dd48c3","parent_id":"PARA_bc9320","style_id":"Arial_Black_10_0",
"text":"Ladder®","bbox":{"page_number":1,"x":325.74,"y":110.24,"width":82.66,"height":22.030006}}
목록이 표시되는 방식
목록의 구조는 ' all_structures 루트 객체의 일부인 세 개의 개별 객체로 표현됩니다:
lists': 글머리 기호 또는 번호 매기기 목록으로 형식이 지정된 목록 항목의 집합입니다.list_items': 텍스트, 단락 또는 중첩된 목록이 있는 토큰을 포함할 수 있는 목록의 단일 항목입니다.list_identifiers': 목록 항목을 식별하는 하이픈이나 숫자 등의 기호가 있는 토큰을 포함합니다.
다음 JSON 출력은 목록의 첫 글머리 기호에 투명도 제공이라는 텍스트가 어떻게 표시되는지 보여줍니다.
//The lists object contains the list where the listitem is located.
"lists":[{"id":"LIST_ed036e","parent_id":"SECTION_9a3dda","children_ids":[
"LISTITEM_c802c4",...
//The list_item object contains the list item which contains a list ID followed by several tokens.
"list_items":[{"id":"LISTITEM_c802c4","parent_id":"LIST_ed036e","children_ids":[
"LIST_ID_781ee7","TOKEN_1df44f","TOKEN_1bcdbf",...
//The list_identifiers object contains list IDs with tokens.
"list_identifiers":[{"id":"LIST_ID_781ee7","parent_id":"LISTITEM_c802c4",
"children_ids":["TOKEN_4a66cb"]}
//The list ID token includes a token with a hyphen.
{"id":"TOKEN_4a66cb","parent_id":"LIST_ID_781ee7","style_id":"IBM_Plex_Sans_Black_20_0",
"text":"–","bbox":{"page_number":10,"x":994.0,"y":500.36,"width":11.76001,"height":13.639999}}
//The list item tokens include the text *Providing transparency* in them.
{"id":"TOKEN_1df44f","parent_id":"LISTITEM_c802c4","style_id":"IBM_Plex_Sans_Black_20_0",
"text":"Providing","bbox":{"page_number":10,"x":1014.0,"y":500.36,"width":83.55994,"height":13.639999}},
{"id":"TOKEN_1bcdbf","parent_id":"LISTITEM_c802c4","style_id":"IBM_Plex_Sans_Black_20_0",
"text":"transparency","bbox":{"page_number":10,"x":1102.2799,"y":500.36,"width":117.95801,"height":13.639999}}...
다음 Python 코드는 목록에서 텍스트를 추출하고 목록을 다시 작성하여 목록 항목을 반복하여 토큰 텍스트를 추출하는 방법을 설명합니다.
# Import required libraries
import json
import numpy as np
import pandas as pd
# Define helper functions
## Function, which finds entry in collection by key-value pair
def find_by_key(key: str, value, collection: list, unique=True):
find = list(filter(lambda x: x[key] == value, collection))
if unique:
if len(find) > 1:
raise ValueError(f"Found non-unique key-value pair.\n{find}")
return find[0]
else:
return find
## Function, which flattens iterable collection of dicts
def flatten_collection(collection):
result = []
for val in collection.values():
result.extend(val)
return result
# Load the file with the extracted text
with open("/Users/janedoe/Downloads/output_retail.json") as f:
raw_output = json.load(f)
# Get all list-related structures
all_lists = raw_output['all_structures']['lists']
all_list_items = raw_output['all_structures']['list_items']
all_list_identifiers = raw_output['all_structures']['list_identifiers']
# Get all list items from the first list in the file
list_1 = all_lists[0]
list_1_items = []
for list_item_id in list_1['children_ids']:
list_1_items.append(find_by_key('id', list_item_id, all_list_items))
# Reconstruct the list
recon_list = []
flat_col = flatten_collection(raw_output['all_structures'])
for list_item in list_1_items:
val = []
for list_value_id in list_item['children_ids']:
list_value = find_by_key('id', list_value_id, flat_col)
#print(list_value['id'])
if list_value['id'].startswith("LIST_ID"):
for list_id_value_id in list_value['children_ids']:
list_id_value = find_by_key('id', list_id_value_id, flat_col)
if 'text' in list_id_value:
val.append(list_id_value['text'])
elif list_value['id'].startswith("PARA"):
val.append("\n")
for para_value_id in list_value['children_ids']:
para_value = find_by_key('id', para_value_id, flat_col)
if 'text' in para_value:
val.append(para_value['text'])
elif list_value['id'].startswith("TOKEN"):
val.append(list_value['text'])
else:
pass
print(' '.join(val))
테이블이 표현되는 방식
테이블의 구조는 ' all_structures 루트 객체의 일부인 세 개의 개별 객체로 표현됩니다:
tables' : 여러 테이블 행과 연결됩니다.table_rows' : 각 테이블 행은 여러 테이블 셀과 연결됩니다.table_cells: 각 테이블 셀에는 토큰 시퀀스, 단락과 토큰의 혼합 시퀀스 또는 목록, 단락, 토큰의 혼합 시퀀스가 포함되어 있습니다.
다음 JSON 출력은 테이블 열 제목인 워크플로우가 어떻게 표시되는지 보여줍니다.
//The all_structures root object contains the table, which has many rows.
"all_structures":{
...
"tables":[{"id":"TABLE_3bfabb","children_ids":[
"ROW_39aa6f",...,"ROW_63472c"]}
//A separate table rows array contains table cells.
"all_structures":{
...
"table_rows":[{"id":"ROW_39aa6f","parent_id":"TABLE_3bfabb","children_ids":[
"CELL_bc1c4b","CELL_3a8cdd","CELL_03b6d3"]}
//One of the table cells is identified as a column header and contains a paragraph.
{"id":"CELL_3a8cdd","parent_id":"ROW_39aa6f","is_row_header":false,
"is_col_header":true,"col_span":1,"row_span":1,"col_start":2,"row_start":1,
"children_ids":["PARA_088d08"]}
//The paragraph has a token.
{"id":"PARA_088d08","parent_id":"CELL_3a8cdd","children_ids":[
"TOKEN_b99851"],"indentation":1}
//The token contains the text *Workflows*.
{"id":"TOKEN_b99851","parent_id":"PARA_088d08","style_id":"IBM_Plex_Sans_SmBld_Black_20_0_bold",
"text":"Workflows","bbox":{"page_number":14,"x":757.0,"y":291.44003,"width":99.15997,"height":13.96}}
다음 Python 코드는 테이블에서 텍스트를 추출하고 테이블을 재구성하여 테이블 행과 셀을 반복하여 토큰 텍스트를 추출하는 방법을 설명합니다.
# Import required libraries
import json
import numpy as np
import pandas as pd
# Define helper functions
## Function, which finds entry in collection by key-value pair
def find_by_key(key: str, value, collection: list, unique=True):
find = list(filter(lambda x: x[key] == value, collection))
if unique:
if len(find) > 1:
raise ValueError(f"Found non-unique key-value pair.\n{find}")
return find[0]
else:
return find
## Function, which flattens iterable collection of dicts
def flatten_collection(collection):
result = []
for val in collection.values():
result.extend(val)
return result
# Load the file with the extracted text
with open("/Users/janedoe/Downloads/output_retail.json") as f:
raw_output = json.load(f)
# Get all table-related structures
all_tables = raw_output['all_structures']['tables']
all_table_rows = raw_output['all_structures']['table_rows']
all_table_cells = raw_output['all_structures']['table_cells']
# Get all of the cells from the first table
table_1 = all_tables[0]
table_1_cells = []
for row_id in table_1['children_ids']:
row = find_by_key('id', row_id, all_table_rows)
for cell_id in row['children_ids']:
table_1_cells.append(find_by_key('id', cell_id, all_table_cells))
# Reconstruct the first table
last_col = table_1_cells[-1]['col_start']
last_row = table_1_cells[-1]['row_start']
recon_table = np.empty([last_row, last_col], dtype=object)
flat_col = flatten_collection(raw_output['all_structures'])
for cell in all_table_cells:
cell_col, cell_row = cell['col_start'], cell['row_start']
for cell_value in cell['children_ids']:
value = find_by_key('id', cell_value, flat_col)
entries = []
for cell_entry in value['children_ids']:
entry = find_by_key('id', cell_entry, flat_col)
if 'text' in entry:
entries.append(entry['text'])
cell_content = " ".join(entries)
recon_table[cell_row-1][cell_col-1] = str(cell_content)
pd.DataFrame(data=recon_table[1:,:], columns=recon_table[0,:])
키-값 쌍이 표현되는 방식
레이블이 지정된 데이터는 all_structures 루트 객체의 일부인 세 개의 개별 객체에서 키 값 쌍으로 표시됩니다:
id: 키와 값 조합의 고유 ID입니다.type: 추출된 값의 유형입니다. 일반 추출 방법으로 모델에서 처리된 값에는key_value유형이 할당됩니다. 스키마 기반 추출 방법으로 처리된 값에는only_value유형이 할당됩니다.key: 데이터 조각에 대한 고유 레이블입니다. 일반 추출 방법으로 키-값 쌍 데이터를 추출하는 경우semantic_label,id및bbox요소가 채워집니다. 스키마 기반 추출 방법을 사용하여 키-값 쌍 데이터를 모델에서 추출하는 경우semantic_label요소만 스키마의 값으로 채워지고raw_text및bbox요소는 채워지지 않습니다.value: 레이블과 관련된 데이터입니다.
다음 JSON 출력은 캘리포니아 개인 자동차 보험 신청서 양식의 연락처 이름 및 전화 필드가 어떻게 표시되는지 보여줍니다.
"kvps": [
{
"id": "KVP_000034",
"type": "key_value",
"key": {
"id": "KEY_000034",
"semantic_label": "contact_name",
"raw_text": "CONTACT NAME",
"normalized_text": null,
"confidence_score": null,
"bbox": {
"x": 26.406426231269133,
"y": 178.04464285714283,
"width": 42.25028197003061,
"height": 15.482142857142861,
"page_number": 1
}
},
"value": {
"id": "VALUE_000034",
"raw_text": "John Smith",
"normalized_text": null,
"confidence_score": null,
"bbox": {
"x": 76.57863607068049,
"y": 178.04464285714283,
"width": 60.73478033191901,
"height": 10.321428571428584,
"page_number": 1
}
}
},
{
"id": "KVP_000035",
"type": "key_value",
"key": {
"id": "KEY_000035",
"semantic_label": "contact_phone",
"raw_text": "PHONE (A/C. No. Ext)",
"normalized_text": null,
"confidence_score": null,
"bbox": {
"x": 26.406426231269133,
"y": 196.10714285714283,
"width": 42.250283760672005,
"height": 14.837047751844239,
"page_number": 1
}
},
"value": {
"id": "VALUE_000035",
"raw_text": "(917) 555-2843",
"normalized_text": null,
"confidence_score": null,
"bbox": {
"x": 95.06313727469147,
"y": 196.10715158651936,
"width": 75.91847683596005,
"height": 12.256690608987071,
"page_number": 1
}
}
},
...
]
다음 Python 코드는 구조화된 데이터를 반복하여 콘텐츠를 재구성하는 방법을 설명하기 위해 어셈블된 JSON 출력 파일의 키-값 쌍에서 텍스트를 추출합니다.
def extract_kvps(assembly_dict):
"""
Extract and print key-value pairs from the assembly dict
Works with both 'only_value' and 'key_value' type KVPs
Includes coordinate information and page dimensions
"""
try:
data = assembly_dict
# Get page metadata for dimensions
page_metadata = data.get("metadata", {}).get("pages_metadata", [])
if page_metadata:
print("Document Page Information:")
for page in page_metadata:
page_num = page.get("page_number", "Unknown")
page_width = page.get("page_pdf_width", "Unknown")
page_height = page.get("page_pdf_height", "Unknown")
page_image_width = page.get("page_image_width", "Unknown")
page_image_height = page.get("page_image_height", "Unknown")
print(f"Page {page_num}:")
print(f" PDF Dimensions: {page_width} x {page_height}")
print(f" Image Dimensions: {page_image_width} x {page_image_height}")
print()
else:
print("No page metadata found in the document\n")
# Extract KVPs if they exist in the data
kvps = data.get("kvps", [])
if not kvps:
print("No KVPs found in the JSON data")
return
print(f"Found {len(kvps)} Key-Value Pairs\n")
print("=" * 80)
# Process each KVP
for i, kvp in enumerate(kvps, 1):
kvp_id = kvp.get("id", "Unknown ID")
kvp_type = kvp.get("type", "Unknown type")
# Get key and value information
key_info = kvp.get("key", {})
value_info = kvp.get("value", {})
# Get semantic label (if any)
semantic_label = key_info.get("semantic_label", "N/A")
# Get key text (if any)
key_text = key_info.get("raw_text", "N/A")
# Get value text
value_text = value_info.get("raw_text", "N/A")
# Get coordinates (bounding boxes)
key_bbox = key_info.get("bbox", "N/A")
value_bbox = value_info.get("bbox", "N/A")
# Print the information
print(f"KVP #{i}: {kvp_id}")
print(f"Type: {kvp_type}")
if kvp_type == "only_value":
print(f"Semantic Label: {semantic_label}")
print(f"Value: {value_text}")
print(f"Value Coordinates:")
if value_bbox != "N/A":
print(f" x: {value_bbox['x']}, y: {value_bbox['y']}")
print(f" width: {value_bbox['width']}, height: {value_bbox['height']}")
print(f" page: {value_bbox['page_number']}")
else:
print(" No coordinates available")
else: # key_value type
print(f"Key Text: {key_text}")
print(f"Normalized key: {semantic_label}")
print(f"Value: {value_text}")
print(f"Key Coordinates:")
if key_bbox != "N/A":
print(f" x: {key_bbox['x']}, y: {key_bbox['y']}")
print(f" width: {key_bbox['width']}, height: {key_bbox['height']}")
print(f" page: {key_bbox['page_number']}")
else:
print(" No coordinates available")
print(f"Value Coordinates:")
if value_bbox != "N/A":
print(f" x: {value_bbox['x']}, y: {value_bbox['y']}")
print(f" width: {value_bbox['width']}, height: {value_bbox['height']}")
print(f" page: {value_bbox['page_number']}")
else:
print(" No coordinates available")
print("-" * 80)
except Exception as e:
print(f"Error processing KVPs: {e}")
텍스트 추출 JSON 스키마
문서에 대해 생성된 JSON에서 정보를 추출하는 코드를 작성할 때 JSON 스키마를 참조할 수 있습니다.
참고:
' Not required '을 언급하는 설명이 있는 모든 구조는 향후 스키마 반복에서 제거될 수 있습니다. 코드에서 선택적 구조를 참조하도록 선택한 경우 나중에 스키마가 변경될 때 코드를 업데이트해야 할 수 있습니다.
{ "$defs": {
"AssemblyJsonOutput": {
"type": "object",
"properties": {
"metadata": {
"description": "Metadata about this document.",
"$ref": "#/$defs/Metadata"
},
"styles": {
"description": "Font styles used in this document. Not required.",
"type": "array",
"items": {
"$ref": "#/$defs/Style"
}
},
"kvps": {
"description": "Key value pairs found in the document.",
"type": "array",
"items": {
"$ref": "#/$defs/Kvp"
}
},
"top_level_structures": {
"type": "array",
"description": "Array of ids of the top level structures which belong directly under the document",
"items": {
"type": "string"
}
},
"all_structures": {
"type": "object",
"description": "An object containing lists of all structures identified in this document.",
"$ref": "#/$defs/Structures"
}
},
"required": [
"metadata",
"top_level_structures",
"all_structures"
]
},
"Metadata": {
"type": "object",
"additionalProperties": true,
"title": "Metadata",
"properties": {
"num_pages": {
"type": "integer",
"description": "Total number of pages in the document"
},
"title": {
"type": "string",
"description": "Document title as obtained from source document. Not required."
},
"language": {
"type": "string",
"description": "Determined by the lang specifier in the <html> tag, or <meta> tag"
},
"url": {
"type": "string",
"description": "url of the document"
},
"keywords": {
"type": "string",
"description": "Keywords associated with document. Not required."
},
"author": {
"type": "string",
"description": "Author of the document. Not required."
},
"publication_date": {
"type": "string",
"description": "Best effort bases for a publication date (may be the creation date). Not required."
},
"subject": {
"type": "string",
"description": "Subject as obtained from the source document. Not required."
},
"charset": {
"type": "string",
"description": "Character set used for the output"
},
"output_tokens_flag": {
"type": "boolean",
"description": "Whether individual tokens are output, as specified in the input to the API"
},
"output_bounding_boxes_flag": {
"type": "boolean",
"description": "Whether bounding boxes are output, as requested in the input to the API"
},
"pages_metadata": {
"type": "array",
"items": {
"$ref": "#/$defs/PageMetadata"
}
},
"required": [
"num_pages",
"charset"
]
},
"PageMetadata": {
"type": "object",
"title": "PageMetadata",
"properties": {
"page_number": {
"type": "integer",
"description": "Page number, starting from 1"
},
"page_image_width": {
"type": "integer",
"description": "Width of the page in pixels, assuming the page is an image with the DPI as specified in the dpi property "
},
"page_image_height": {
"type": "integer",
"description": "Height of the page in pixels, assuming the page is an image with DPI as specified in the dpi property"
},
"dpi": {
"type": "integer",
"description": "The DPI to use for the page image, as specified in the input to the API"
}
}
}
"Style": {
"type": "object",
"title": "Style",
"properties": {
"style_id": {
"type": "string",
"description": "Style Identifier which will be used for reference in other objects"
},
"font_size": {
"type": "string",
"description": "Font size"
},
"font_name": {
"type": "string",
"description": "Font name"
},
"is_bold": {
"type": "string",
"description": "Whether or not the the font is bold"
},
"is_italic": {
"type": "string",
"description": "Whether or not the the font is italic"
}
},
"required": [
"style_id",
"font_size",
"font_name",
"is_bold",
"is_italic"
]
},
"Kvp": {
"type": "object",
"title": "KVP",
"properties": {
"id": {
"type": "string",
"description": "A unique ID of the KVP prefixed with KVP_"
},
"type": {
"type": "string",
"description": "The type of the KVP"
},
"key": {
"type": "object",
"description": "The key data of the KVP",
"$ref": "#/$defs/KvpKey"
},
"value": {
"type": "object",
"description": "The value data of the KVP",
"$ref": "#/$defs/KvpValue"
}
},
"required": [
"id",
"type",
"value"
]
},
"KvpKey": {
"type": "object",
"title": "KvpKey",
"properties": {
"id": {
"type": "string",
"description": "A unique ID of the KVP key prefixed with KEY_"
},
"semantic_label": {
"type": "string",
"description": "The semantic label of the KVP"
},
"raw_text": {
"type": "string",
"description": "The original text of the key extracted in the document"
},
"normalized_text": {
"type": "string",
"description": "The normalized text of the key"
},
"confidence_score": {
"type": "float",
"description": "The confidence score of the key"
},
"bbox": {
"type": "object",
"description": "The bounding box of the key",
"$ref": "#/$defs/BoundingBox"
}
},
"required": [
"id",
"raw_text"
]
},
"KvpValue": {
"type": "object",
"title": "KvpKey",
"properties": {
"id": {
"type": "string",
"description": "A unique ID of the KVP key prefixed with VALUE_"
},
"raw_text": {
"type": "string",
"description": "The original text of the key extracted in the document"
},
"normalized_text": {
"type": "string",
"description": "The normalized text of the value"
},
"confidence_score": {
"type": "float",
"description": "The confidence score of the value"
},
"bbox": {
"type": "object",
"description": "The bounding box of the value",
"$ref": "#/$defs/BoundingBox"
}
},
"required": [
"id",
"raw_text"
]
},
"Structures": {
"type": "object",
"description": "An object containing of all flattened structures identified in the document.
None of the items in this object are required.",
"sections": {
"type": "array",
"items": {
"$ref": "#/$defs/Section"
}
},
"section_titles": {
"type": "array",
"items": {
"$ref": "#/$defs/SectionTitle"
}
},
"lists": {
"type": "array",
"items": {
"$ref": "#/$defs/List"
}
},
"list_items": {
"type": "array",
"items": {
"$ref": "#/$defs/ListItem"
}
},
"list_identifiers": {
"type": "array",
"items": {
"$ref": "#/$defs/ListIdentifier"
}
},
"tables": {
"type": "array",
"items": {
"$ref": "#/$defs/Table"
}
},
"table_rows": {
"type": "array",
"items": {
"$ref": "#/$defs/TableRow"
}
},
"table_cells": {
"type": "array",
"items": {
"$ref": "#/$defs/TableCell"
}
},
"subscripts": {
"type": "array",
"items": {
"$ref": "#/$defs/Subscript"
}
},
"superscripts": {
"type": "array",
"items": {
"$ref": "#/$defs/Superscript"
}
},
"footnotes": {
"type": "array",
"items": {
"$ref": "#/$defs/Footnote"
}
},
"paragraphs": {
"type": "array",
"items": {
"$ref": "#/$defs/Paragraph"
}
},
"code_snippets": {
"type": "array",
"items": {
"$ref": "#/$defs/CodeSnippet"
}
},
"pictures":{
"type": "array",
"items": {
"$ref": "#/$defs/Picture"
}
},
"tokens": {
"type": "array",
"items": {
"$ref": "#/$defs/Token"
}
}
},
"Section": {
"type": "object",
"title": "Section",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the section"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence"
},
"section_number": {
"type": "string",
"description": "Section identifier identified in the document"
},
"section_level": {
"type": "string",
"description": "Nesting level of section identified in the document"
}
},
"required": [
"id",
"parent_id",
"children_ids",
"section_number",
"section_level"
]
},
"SectionTitle": {
"type": "object",
"title": "SectionTitle",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the section"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence. Not required."
},
"text_alignment": {
"type": "string",
"description": "Text alignment of the section title. Not required."
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"List": {
"type": "object",
"title": "List",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the list "
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence"
}
},
"required": [
"id",
"parent_id",
"children_ids"
]
},
"ListItem": {
"type": "object",
"title": "ListItem",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the list item"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence. Not required."
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"ListIdentifier": {
"type": "object",
"title": "ListIdentifier",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the list item"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence"
}
},
"required": [
"id",
"parent_id",
"children_ids"
]
},
"Table": {
"type": "object",
"title": "Table",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the table"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence, in this case, table rows"
}
},
"required": [
"id",
"parent_id",
"children_ids"
]
},
"TableRow": {
"type": "object",
"title": "TableRow",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the table row"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence, in this case, table cells"
}
},
"required": [
"id",
"parent_id",
"children_ids"
]
},
"TableCell": {
"type": "object",
"title": "TableCell",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the table cell"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"is_row_header": {
"type": "boolean",
"description": "Whether the cell is part of row header or not"
},
"is_column_header": {
"type": "boolean",
"description": "Whether the cell is part of column header or not"
},
"col_span": {
"type": "integer",
"description": "column span of the cell"
},
"row_span": {
"type": "integer",
"description": "row span of the cell"
},
"col_start": {
"type": "integer",
"description": "column start of the cell within the table"
},
"row_start": {
"type": "integer",
"description": "row start of the cell within the table"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence, in this case, underlying paragraphs. Not required."
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"is_row_header",
"is_column_header",
"col_span",
"row_span",
"col_start",
"row_start",
"text"
]
},
"Subscript": {
"type": "object",
"title": "Subscript",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the subscript"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence. Not required."
},
"token_id_ref": {
"type": "string",
"description": "Id of the token to which the subscript belongs"
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"Superscript": {
"type": "object",
"title": "Superscript",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the superscript"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"footnote_ref": {
"type": "string",
"description": "Matching footnote id found on the page"
},
"token_id_ref": {
"type": "string",
"description": "Id of the token to which the superscript belongs"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence. Not required."
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"footnote_ref",
"text"
]
},
"Footnote": {
"type": "object",
"title": "Footnote",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the footnote"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence. Not required."
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"Paragraph": {
"type": "object",
"title": "Paragraph",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the paragraph"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence, in this case, tokens. Not required."
},
"text_alignment": {
"type": "string",
"description": "Text alignment of the paragraph. Not required."
},
"indentation": {
"type": "integer",
"description": "Paragraph indentation. Not required."
},
"text": {
"type": "string",
"description": "Text property added to all objects"
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"CodeSnippet": {
"type": "object",
"title": "CodeSnippet",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the code snippet"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique Ids of first level children structures under this structure in correct sequence, in this case, tokens",
"items": {
"type": "string"
}
},
"text": {
"type": "string",
"description": "Text of the code snippet. It can contain multiple lines, including empty lines or lines with leading spaces."
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"Picture": {
"type": "object",
"title": "Picture",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the picture"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"children_ids": {
"type": "array",
"description": "Unique identifiers of the tokens extracted from this picture, if any"
},
"text": {
"type": "string",
"description": "Text extracted from this picture"
},
"verbalization": {
"type": "string",
"description": "Verbalization of this picture"
},
"page_number": {
"type": "integer",
"description": "Page that contains this picture"
},
"path": {
"type": "string",
"description": "Path in the output location where the picture itself was saved"
},
"bbox": {
"type":"object",
"description": "The bounding box of the picture in the context of the page, expressed as pixel coordinates with respect to pages_metadata.page_image_height and pages_metadata.page_image_width",
"$ref": "#/$defs/BoundingBox"
}
},
"required": [
"id",
"parent_id"
]
},
"Token": {
"type": "object",
"title": "Token",
"properties": {
"id": {
"type": "string",
"description": "Unique identifier for the list identifier"
},
"parent_id": {
"type": "string",
"description": "Unique identifier which denotes parent of this structure"
},
"style_id": {
"type": "string",
"description": "Identifier of the style object associated with this token. Not required."
},
"text": {
"type": "string",
"description": "Actual text of the token"
},
"bbox": {
"type": "object",
"description": "The bounding box of the token in the context of the page, expressed as pixel coordinates with respect to pages_metadata.page_image_height and pages_metadata.page_image_width",
"$ref": "#/$defs/BoundingBox"
}
},
"required": [
"id",
"parent_id",
"text"
]
},
"BoundingBox": {
"type": "object",
"title": "BoundingBox",
"properties": {
"page_number": {
"description": "Which page this represents",
"type": "integer"
},
"x": {
"description": "X coordinate of the top left corner of the bounding box",
"type": "float"
},
"y": {
"description": "Y coordinate of the top left corner of the bounding box",
"type": "float"
},
"width": {
"description": "The width of the bounding box",
"type": "float"
},
"height": {
"description": "The height of the bounding box",
"type": "float"
}
},
"required": [
"page_number",
"x",
"y",
"width",
"height"
]
}
},
"$ref": "#/$defs/AssemblyJsonOutput"
}
상위 주제: RAG 솔루션에 추출된 텍스트 추가하기
주제가 도움이 되었습니까?
0/1000