diff --git a/docling/models/tesseract_ocr_cli_model.py b/docling/models/tesseract_ocr_cli_model.py index e9948752..11e61bf2 100644 --- a/docling/models/tesseract_ocr_cli_model.py +++ b/docling/models/tesseract_ocr_cli_model.py @@ -6,10 +6,11 @@ import tempfile from collections.abc import Iterable from pathlib import Path from subprocess import DEVNULL, PIPE, Popen -from typing import List, Optional, Tuple, Type, cast +from typing import List, Optional, Tuple, Type import pandas as pd -from docling_core.types.doc.page import BoundingRectangle, TextCell +from docling_core.types.doc import BoundingBox, CoordOrigin +from docling_core.types.doc.page import TextCell from docling.datamodel.base_models import Page from docling.datamodel.document import ConversionResult @@ -25,7 +26,6 @@ from docling.utils.ocr_utils import ( parse_tesseract_orientation, tesseract_box_to_bounding_rectangle, ) -from docling.utils.orientation import Box from docling.utils.profiling import TimeRecorder _log = logging.getLogger(__name__) @@ -235,7 +235,7 @@ class TesseractOcrCliModel(BaseOcrModel): doc_orientation = _parse_orientation(df_osd) if doc_orientation != 0: high_res_image = high_res_image.rotate( - doc_orientation, expand=True + -doc_orientation, expand=True ) high_res_image.save(fname) df_result = self._run_tesseract(fname, df_osd) @@ -250,21 +250,18 @@ class TesseractOcrCliModel(BaseOcrModel): text = row["text"] conf = row["conf"] - rotated_bbox = ( - row["left"], - row["top"], - row["width"], - row["height"], - ) - rotated_bbox = cast( - Box, tuple(float(c) for c in rotated_bbox) + l, t = float(row["left"]), float(row["top"]) + r = l + float(row["width"]) + b = t + row["height"] + bbox = BoundingBox( + l=l, t=t, r=r, b=b, coord_origin=CoordOrigin.TOPLEFT ) rect = tesseract_box_to_bounding_rectangle( - rotated_bbox, - offset=ocr_rect, + bbox, + original_offset=ocr_rect, scale=self.scale, orientation=doc_orientation, - rotated_image_size=high_res_image.size, + im_size=high_res_image.size, ) cell = TextCell( index=ix, diff --git a/docling/models/tesseract_ocr_model.py b/docling/models/tesseract_ocr_model.py index 16cc665b..0de02279 100644 --- a/docling/models/tesseract_ocr_model.py +++ b/docling/models/tesseract_ocr_model.py @@ -5,6 +5,7 @@ from collections.abc import Iterable from pathlib import Path from typing import Dict, Iterable, Optional, Type +from docling_core.types.doc import BoundingBox, CoordOrigin from docling_core.types.doc.page import TextCell from docling.datamodel.base_models import Page @@ -151,7 +152,7 @@ class TesseractOcrModel(BaseOcrModel): doc_orientation = parse_tesseract_orientation(osd["orient_deg"]) if doc_orientation != 0: high_res_image = high_res_image.rotate( - doc_orientation, expand=True + -doc_orientation, expand=True ) if "auto" in self.options.lang: script = osd["script_name"] @@ -193,13 +194,18 @@ class TesseractOcrModel(BaseOcrModel): # Extract text within the bounding box text = local_reader.GetUTF8Text().strip() confidence = local_reader.MeanTextConf() - rotated_bbox = (box["x"], box["y"], box["w"], box["h"]) + l, t = box["x"], box["y"] + r = l + box["w"] + b = t + box["h"] + bbox = BoundingBox( + l=l, t=t, r=r, b=b, coord_origin=CoordOrigin.TOPLEFT + ) rect = tesseract_box_to_bounding_rectangle( - rotated_bbox, - offset=ocr_rect, + bbox, + original_offset=ocr_rect, scale=self.scale, orientation=doc_orientation, - rotated_image_size=high_res_image.size, + im_size=high_res_image.size, ) cells.append( TextCell( diff --git a/docling/utils/ocr_utils.py b/docling/utils/ocr_utils.py index 0e144145..fc8f7743 100644 --- a/docling/utils/ocr_utils.py +++ b/docling/utils/ocr_utils.py @@ -1,14 +1,9 @@ -from typing import Optional +from typing import Optional, Tuple from docling_core.types.doc import BoundingBox, CoordOrigin from docling_core.types.doc.page import BoundingRectangle -from docling.utils.orientation import ( - Box, - Size, - CLIPPED_ORIENTATIONS, - rotate_ltwh_bounding_box, -) +from docling.utils.orientation import CLIPPED_ORIENTATIONS, rotate_bounding_box def map_tesseract_script(script: str) -> str: @@ -38,33 +33,37 @@ def parse_tesseract_orientation(orientation: str) -> int: def tesseract_box_to_bounding_rectangle( - box: Box, + bbox: BoundingBox, *, - offset: Optional[BoundingBox] = None, + original_offset: Optional[BoundingBox] = None, scale: float, orientation: int, - rotated_image_size: Size, + im_size: Tuple[int, int], ) -> BoundingRectangle: - # box is in the top, left, height, width format + top left orientation - r_0, r_1, r_2, r_3 = rotate_ltwh_bounding_box(box, orientation, rotated_image_size) + # box is in the top, left, height, width format, top left coordinates + rect = rotate_bounding_box(bbox, angle=-orientation, im_size=im_size) rect = BoundingRectangle( - r_x0=r_0[0] / scale, - r_y0=r_0[1] / scale, - r_x1=r_1[0] / scale, - r_y1=r_1[1] / scale, - r_x2=r_2[0] / scale, - r_y2=r_2[1] / scale, - r_x3=r_3[0] / scale, - r_y3=r_3[1] / scale, + r_x0=rect.r_x0 / scale, + r_y0=rect.r_y0 / scale, + r_x1=rect.r_x1 / scale, + r_y1=rect.r_y1 / scale, + r_x2=rect.r_x2 / scale, + r_y2=rect.r_y2 / scale, + r_x3=rect.r_x3 / scale, + r_y3=rect.r_y3 / scale, coord_origin=CoordOrigin.TOPLEFT, ) - if offset is not None: - rect.r_x0 += offset.l - rect.r_x1 += offset.l - rect.r_x2 += offset.l - rect.r_x3 += offset.l - rect.r_y0 += offset.t - rect.r_y1 += offset.t - rect.r_y2 += offset.t - rect.r_y3 += offset.t + if original_offset is not None: + if not original_offset.coord_origin is CoordOrigin.TOPLEFT: + msg = f"expected coordinate origin to be {CoordOrigin.TOPLEFT.value}" + raise ValueError(msg) + if original_offset is not None: + rect.r_x0 += original_offset.l + rect.r_x1 += original_offset.l + rect.r_x2 += original_offset.l + rect.r_x3 += original_offset.l + rect.r_y0 += original_offset.t + rect.r_y1 += original_offset.t + rect.r_y2 += original_offset.t + rect.r_y3 += original_offset.t return rect diff --git a/docling/utils/orientation.py b/docling/utils/orientation.py index 39c5ca80..faaeb7aa 100644 --- a/docling/utils/orientation.py +++ b/docling/utils/orientation.py @@ -2,12 +2,8 @@ from collections import Counter from operator import itemgetter from typing import Tuple -from docling_core.types.doc.page import TextCell - - -Point = Tuple[float, float] -Box = Tuple[float, float, float, float] -Size = Tuple[int, int] +from docling_core.types.doc import BoundingBox, CoordOrigin +from docling_core.types.doc.page import BoundingRectangle, TextCell CLIPPED_ORIENTATIONS = [0, 90, 180, 270] @@ -23,32 +19,66 @@ def detect_orientation(cells: list[TextCell]) -> int: return max(orientation_counter.items(), key=itemgetter(1))[0] -def rotate_ltwh_bounding_box( - box: Box, orientation: int, rotated_im_size: Size -) -> tuple[Point, Point, Point, Point]: +def rotate_bounding_box( + bbox: BoundingBox, angle: int, im_size: Tuple[int, int] +) -> BoundingRectangle: # The box is left top width height in TOPLEFT coordinates # Bounding rectangle start with r_0 at the bottom left whatever the # coordinate system. Then other corners are found rotating counterclockwise - l, t, w, h = box - rotated_im_w, rotated_im_h = rotated_im_size - if orientation == 0: - r0_x = l - r0_y = t + h - return (r0_x, r0_y), (r0_x + w, r0_y), (r0_x + w, r0_y - h), (r0_x, r0_y - h) - if orientation == 90: - r0_x = t + h - r0_y = rotated_im_w - l - return (r0_x, r0_y), (r0_x, r0_y - w), (r0_x - h, r0_y - w), (r0_x - h, r0_y) - if orientation == 180: - r0_x = rotated_im_w - l - r0_y = rotated_im_h - (t + h) - return (r0_x, r0_y), (r0_x - w, r0_y), (r0_x - w, r0_y + h), (r0_x, r0_y + h) - if orientation == 270: - r0_x = rotated_im_h - (t + h) - r0_y = l - return (r0_x, r0_y), (r0_x, r0_y + w), (r0_x + h, r0_y + w), (r0_x, r0_y + w) - msg = ( - f"orientation {orientation}, expected values in:" - f" {sorted(CLIPPED_ORIENTATIONS)}" + bbox = bbox.to_top_left_origin(im_size[1]) + l, t, w, h = bbox.l, bbox.t, bbox.width, bbox.height + im_h, im_w = im_size + angle = angle % 360 + if angle == 0: + r_x0 = l + r_y0 = t + h + r_x1 = r_x0 + w + r_y1 = r_y0 + r_x2 = r_x0 + w + r_y2 = r_y0 - h + r_x3 = r_x0 + r_y3 = r_y0 - h + elif angle == 90: + r_x0 = im_w - (t + h) + r_y0 = l + r_x1 = r_x0 + r_y1 = r_y0 + w + r_x2 = r_x0 + h + r_y2 = r_y0 + w + r_x3 = r_x0 + r_y3 = r_y0 + w + elif angle == 180: + r_x0 = im_h - l + r_y0 = im_w - (t + h) + r_x1 = r_x0 - w + r_y1 = r_y0 + r_x2 = r_x0 - w + r_y2 = r_y0 + h + r_x3 = r_x0 + r_y3 = r_y0 + h + elif angle == 270: + r_x0 = t + h + r_y0 = im_h - l + r_x1 = r_x0 + r_y1 = r_y0 - w + r_x2 = r_x0 - h + r_y2 = r_y0 - w + r_x3 = r_x0 - h + r_y3 = r_y0 + else: + msg = ( + f"invalid orientation {angle}, expected values in:" + f" {sorted(CLIPPED_ORIENTATIONS)}" + ) + raise ValueError(msg) + return BoundingRectangle( + r_x0=r_x0, + r_y0=r_y0, + r_x1=r_x1, + r_y1=r_y1, + r_x2=r_x2, + r_y2=r_y2, + r_x3=r_x3, + r_y3=r_y3, + coord_origin=CoordOrigin.TOPLEFT, ) - raise ValueError(msg) diff --git a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.doctags.txt b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.doctags.txt index 50f50834..3322c749 100644 --- a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.doctags.txt +++ b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.doctags.txt @@ -1,4 +1,5 @@ package -Docling bundles PDF document conversion to JSON and Markdown in an easy self contained +JSON and Markdown in an easy self contained +Docling bundles PDF document conversion to \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.json b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.json index 2babec15..38d07835 100644 --- a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.json +++ b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.json @@ -1 +1 @@ -{"_name": "", "type": "pdf-document", "description": {"title": null, "abstract": null, "authors": null, "affiliations": null, "subjects": null, "keywords": null, "publication_date": null, "languages": null, "license": null, "publishers": null, "url_refs": null, "references": null, "publication": null, "reference_count": null, "citation_count": null, "citation_date": null, "advanced": null, "analytics": null, "logs": [], "collection": null, "acquisition": null}, "file-info": {"filename": "ocr_test_rotated_180.pdf", "filename-prov": null, "document-hash": "a9cbfe0f2a71171face9ee31d2347ca4195649670ad75680520d67d4a863f982", "#-pages": 1, "collection-name": null, "description": null, "page-hashes": [{"hash": "baca27070f05dd84cf0903ded39bcf0fc1fa6ef0ac390e79cf8ba90c8c33ba49", "model": "default", "page": 1}]}, "main-text": [{"prov": [{"bbox": [444.6666666666667, 131.58835856119788, 521.6666666666666, 150.25502522786462], "page": 1, "span": [0, 7], "__ref_s3_data": null}], "text": "package", "type": "paragraph", "payload": null, "name": "Text", "font": null}, {"prov": [{"bbox": [92.0, 77.92169189453125, 523.0, 123.25502522786462], "page": 1, "span": [0, 86], "__ref_s3_data": null}], "text": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained", "type": "paragraph", "payload": null, "name": "Text", "font": null}], "figures": [], "tables": [], "bitmaps": null, "equations": [], "footnotes": [], "page-dimensions": [{"height": 841.9216918945312, "page": 1, "width": 595.201171875}], "page-footers": [], "page-headers": [], "_s3_data": null, "identifiers": null} \ No newline at end of file +{"_name": "", "type": "pdf-document", "description": {"title": null, "abstract": null, "authors": null, "affiliations": null, "subjects": null, "keywords": null, "publication_date": null, "languages": null, "license": null, "publishers": null, "url_refs": null, "references": null, "publication": null, "reference_count": null, "citation_count": null, "citation_date": null, "advanced": null, "analytics": null, "logs": [], "collection": null, "acquisition": null}, "file-info": {"filename": "ocr_test_rotated_180.pdf", "filename-prov": null, "document-hash": "a9cbfe0f2a71171face9ee31d2347ca4195649670ad75680520d67d4a863f982", "#-pages": 1, "collection-name": null, "description": null, "page-hashes": [{"hash": "baca27070f05dd84cf0903ded39bcf0fc1fa6ef0ac390e79cf8ba90c8c33ba49", "model": "default", "page": 1}]}, "main-text": [{"prov": [{"bbox": [444.6666666666667, 131.58835856119788, 521.6666666666666, 150.25502522786462], "page": 1, "span": [0, 7], "__ref_s3_data": null}], "text": "package", "type": "paragraph", "payload": null, "name": "Text", "font": null}, {"prov": [{"bbox": [92.0, 104.58835856119788, 523.0, 123.25502522786462], "page": 1, "span": [0, 43], "__ref_s3_data": null}], "text": "JSON and Markdown in an easy self contained", "type": "paragraph", "payload": null, "name": "Text", "font": null}, {"prov": [{"bbox": [92.0, 77.92169189453125, 521.3333333333334, 96.58835856119788], "page": 1, "span": [0, 42], "__ref_s3_data": null}], "text": "Docling bundles PDF document conversion to", "type": "paragraph", "payload": null, "name": "Text", "font": null}], "figures": [], "tables": [], "bitmaps": null, "equations": [], "footnotes": [], "page-dimensions": [{"height": 841.9216918945312, "page": 1, "width": 595.201171875}], "page-footers": [], "page-headers": [], "_s3_data": null, "identifiers": null} \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.md b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.md index f5d50b5c..120ab1cc 100644 --- a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.md +++ b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.md @@ -1,3 +1,5 @@ package -Docling bundles PDF document conversion to JSON and Markdown in an easy self contained \ No newline at end of file +JSON and Markdown in an easy self contained + +Docling bundles PDF document conversion to \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.pages.json b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.pages.json index 8baebf53..34ff80da 100644 --- a/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.pages.json +++ b/tests/data_scanned/groundtruth/docling_v1/ocr_test_rotated_180.pages.json @@ -1 +1 @@ -[{"page_no": 0, "size": {"width": 595.201171875, "height": 841.9216918945312}, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}, {"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "parsed_page": null, "predictions": {"layout": {"clusters": [{"id": 0, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 0.7318570613861084, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, {"id": 2, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 0.5982133150100708, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}]}, "tablestructure": {"table_map": {}}, "figures_classification": null, "equations_prediction": null, "vlm_response": null}, "assembled": {"elements": [{"label": "text", "id": 0, "page_no": 0, "cluster": {"id": 0, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 0.7318570613861084, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 0.5982133150100708, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "body": [{"label": "text", "id": 0, "page_no": 0, "cluster": {"id": 0, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 0.7318570613861084, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 0.5982133150100708, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "headers": []}}] \ No newline at end of file +[{"page_no": 0, "size": {"width": 595.201171875, "height": 841.9216918945312}, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}, {"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "parsed_page": null, "predictions": {"layout": {"clusters": [{"id": 1, "label": "text", "bbox": {"l": 92.0, "t": 745.3333333333334, "r": 521.3333333333334, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 94.0, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}], "children": []}, {"id": 2, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 737.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 92.0, "cells": [{"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, {"id": 3, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 90.0, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}]}, "tablestructure": {"table_map": {}}, "figures_classification": null, "equations_prediction": null, "vlm_response": null}, "assembled": {"elements": [{"label": "text", "id": 1, "page_no": 0, "cluster": {"id": 1, "label": "text", "bbox": {"l": 92.0, "t": 745.3333333333334, "r": 521.3333333333334, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 94.0, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 737.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 92.0, "cells": [{"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "JSON and Markdown in an easy self contained"}, {"label": "text", "id": 3, "page_no": 0, "cluster": {"id": 3, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 90.0, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "body": [{"label": "text", "id": 1, "page_no": 0, "cluster": {"id": 1, "label": "text", "bbox": {"l": 92.0, "t": 745.3333333333334, "r": 521.3333333333334, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 94.0, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 737.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 92.0, "cells": [{"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "JSON and Markdown in an easy self contained"}, {"label": "text", "id": 3, "page_no": 0, "cluster": {"id": 3, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 90.0, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "headers": []}}] \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.doctags.txt b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.doctags.txt index f270ebec..820b0726 100644 --- a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.doctags.txt +++ b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.doctags.txt @@ -1,3 +1,4 @@ package -Docling bundles PDF document conversion to JSON and Markdown in an easy self contained +JSON and Markdown in an easy self contained +Docling bundles PDF document conversion to \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.json b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.json index bfb728c2..84c4508d 100644 --- a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.json +++ b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.json @@ -1 +1 @@ -{"schema_name": "DoclingDocument", "version": "1.3.0", "name": "ocr_test_rotated_180", "origin": {"mimetype": "application/pdf", "binary_hash": 2530576989861832966, "filename": "ocr_test_rotated_180.pdf", "uri": null}, "furniture": {"self_ref": "#/furniture", "parent": null, "children": [], "content_layer": "furniture", "name": "_root_", "label": "unspecified"}, "body": {"self_ref": "#/body", "parent": null, "children": [{"cref": "#/texts/0"}, {"cref": "#/texts/1"}], "content_layer": "body", "name": "_root_", "label": "unspecified"}, "groups": [], "texts": [{"self_ref": "#/texts/0", "parent": {"cref": "#/body"}, "children": [], "content_layer": "body", "label": "text", "prov": [{"page_no": 1, "bbox": {"l": 444.6666666666667, "t": 150.25502522786462, "r": 521.6666666666666, "b": 131.58835856119788, "coord_origin": "BOTTOMLEFT"}, "charspan": [0, 7]}], "orig": "package", "text": "package", "formatting": null, "hyperlink": null}, {"self_ref": "#/texts/1", "parent": {"cref": "#/body"}, "children": [], "content_layer": "body", "label": "text", "prov": [{"page_no": 1, "bbox": {"l": 92.0, "t": 123.25502522786462, "r": 523.0, "b": 77.92169189453125, "coord_origin": "BOTTOMLEFT"}, "charspan": [0, 86]}], "orig": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained", "text": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained", "formatting": null, "hyperlink": null}], "pictures": [], "tables": [], "key_value_items": [], "form_items": [], "pages": {"1": {"size": {"width": 595.201171875, "height": 841.9216918945312}, "image": null, "page_no": 1}}} \ No newline at end of file +{"schema_name": "DoclingDocument", "version": "1.3.0", "name": "ocr_test_rotated_180", "origin": {"mimetype": "application/pdf", "binary_hash": 2530576989861832966, "filename": "ocr_test_rotated_180.pdf", "uri": null}, "furniture": {"self_ref": "#/furniture", "parent": null, "children": [], "content_layer": "furniture", "name": "_root_", "label": "unspecified"}, "body": {"self_ref": "#/body", "parent": null, "children": [{"cref": "#/texts/0"}, {"cref": "#/texts/1"}, {"cref": "#/texts/2"}], "content_layer": "body", "name": "_root_", "label": "unspecified"}, "groups": [], "texts": [{"self_ref": "#/texts/0", "parent": {"cref": "#/body"}, "children": [], "content_layer": "body", "label": "text", "prov": [{"page_no": 1, "bbox": {"l": 444.6666666666667, "t": 150.25502522786462, "r": 521.6666666666666, "b": 131.58835856119788, "coord_origin": "BOTTOMLEFT"}, "charspan": [0, 7]}], "orig": "package", "text": "package", "formatting": null, "hyperlink": null}, {"self_ref": "#/texts/1", "parent": {"cref": "#/body"}, "children": [], "content_layer": "body", "label": "text", "prov": [{"page_no": 1, "bbox": {"l": 92.0, "t": 123.25502522786462, "r": 523.0, "b": 104.58835856119788, "coord_origin": "BOTTOMLEFT"}, "charspan": [0, 43]}], "orig": "JSON and Markdown in an easy self contained", "text": "JSON and Markdown in an easy self contained", "formatting": null, "hyperlink": null}, {"self_ref": "#/texts/2", "parent": {"cref": "#/body"}, "children": [], "content_layer": "body", "label": "text", "prov": [{"page_no": 1, "bbox": {"l": 92.0, "t": 96.58835856119788, "r": 521.3333333333334, "b": 77.92169189453125, "coord_origin": "BOTTOMLEFT"}, "charspan": [0, 42]}], "orig": "Docling bundles PDF document conversion to", "text": "Docling bundles PDF document conversion to", "formatting": null, "hyperlink": null}], "pictures": [], "tables": [], "key_value_items": [], "form_items": [], "pages": {"1": {"size": {"width": 595.201171875, "height": 841.9216918945312}, "image": null, "page_no": 1}}} \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.md b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.md index f5d50b5c..120ab1cc 100644 --- a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.md +++ b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.md @@ -1,3 +1,5 @@ package -Docling bundles PDF document conversion to JSON and Markdown in an easy self contained \ No newline at end of file +JSON and Markdown in an easy self contained + +Docling bundles PDF document conversion to \ No newline at end of file diff --git a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.pages.json b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.pages.json index 8baebf53..34ff80da 100644 --- a/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.pages.json +++ b/tests/data_scanned/groundtruth/docling_v2/ocr_test_rotated_180.pages.json @@ -1 +1 @@ -[{"page_no": 0, "size": {"width": 595.201171875, "height": 841.9216918945312}, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}, {"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "parsed_page": null, "predictions": {"layout": {"clusters": [{"id": 0, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 0.7318570613861084, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, {"id": 2, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 0.5982133150100708, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}]}, "tablestructure": {"table_map": {}}, "figures_classification": null, "equations_prediction": null, "vlm_response": null}, "assembled": {"elements": [{"label": "text", "id": 0, "page_no": 0, "cluster": {"id": 0, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 0.7318570613861084, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 0.5982133150100708, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "body": [{"label": "text", "id": 0, "page_no": 0, "cluster": {"id": 0, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 0.7318570613861084, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to JSON and Markdown in an easy self contained"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 0.5982133150100708, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "headers": []}}] \ No newline at end of file +[{"page_no": 0, "size": {"width": 595.201171875, "height": 841.9216918945312}, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}, {"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}, {"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "parsed_page": null, "predictions": {"layout": {"clusters": [{"id": 1, "label": "text", "bbox": {"l": 92.0, "t": 745.3333333333334, "r": 521.3333333333334, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 94.0, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}], "children": []}, {"id": 2, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 737.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 92.0, "cells": [{"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, {"id": 3, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 90.0, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}]}, "tablestructure": {"table_map": {}}, "figures_classification": null, "equations_prediction": null, "vlm_response": null}, "assembled": {"elements": [{"label": "text", "id": 1, "page_no": 0, "cluster": {"id": 1, "label": "text", "bbox": {"l": 92.0, "t": 745.3333333333334, "r": 521.3333333333334, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 94.0, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 737.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 92.0, "cells": [{"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "JSON and Markdown in an easy self contained"}, {"label": "text", "id": 3, "page_no": 0, "cluster": {"id": 3, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 90.0, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "body": [{"label": "text", "id": 1, "page_no": 0, "cluster": {"id": 1, "label": "text", "bbox": {"l": 92.0, "t": 745.3333333333334, "r": 521.3333333333334, "b": 764.0, "coord_origin": "TOPLEFT"}, "confidence": 94.0, "cells": [{"index": 0, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.3333333333334, "r_y0": 745.3333333333334, "r_x1": 92.0, "r_y1": 745.3333333333334, "r_x2": 92.0, "r_y2": 764.0, "r_x3": 521.3333333333334, "r_y3": 764.0, "coord_origin": "TOPLEFT"}, "text": "Docling bundles PDF document conversion to", "orig": "Docling bundles PDF document conversion to", "text_direction": "left_to_right", "confidence": 94.0, "from_ocr": true}], "children": []}, "text": "Docling bundles PDF document conversion to"}, {"label": "text", "id": 2, "page_no": 0, "cluster": {"id": 2, "label": "text", "bbox": {"l": 92.0, "t": 718.6666666666666, "r": 523.0, "b": 737.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 92.0, "cells": [{"index": 1, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 523.0, "r_y0": 718.6666666666666, "r_x1": 92.0, "r_y1": 718.6666666666666, "r_x2": 92.0, "r_y2": 737.3333333333334, "r_x3": 523.0, "r_y3": 737.3333333333334, "coord_origin": "TOPLEFT"}, "text": "JSON and Markdown in an easy self contained", "orig": "JSON and Markdown in an easy self contained", "text_direction": "left_to_right", "confidence": 92.0, "from_ocr": true}], "children": []}, "text": "JSON and Markdown in an easy self contained"}, {"label": "text", "id": 3, "page_no": 0, "cluster": {"id": 3, "label": "text", "bbox": {"l": 444.6666666666667, "t": 691.6666666666666, "r": 521.6666666666666, "b": 710.3333333333334, "coord_origin": "TOPLEFT"}, "confidence": 90.0, "cells": [{"index": 2, "rgba": {"r": 0, "g": 0, "b": 0, "a": 255}, "rect": {"r_x0": 521.6666666666666, "r_y0": 691.6666666666666, "r_x1": 444.6666666666667, "r_y1": 691.6666666666666, "r_x2": 444.6666666666667, "r_y2": 710.3333333333334, "r_x3": 521.6666666666666, "r_y3": 710.3333333333334, "coord_origin": "TOPLEFT"}, "text": "package", "orig": "package", "text_direction": "left_to_right", "confidence": 90.0, "from_ocr": true}], "children": []}, "text": "package"}], "headers": []}}] \ No newline at end of file