https://www.stellarbase.ai/_app/immutable/nodes/44.DcPfDuJG.js

1import"../chunks/DsnmJJEf.js";import{s as d,f as z,aj as a,ar as s,a as r,c as k,p as O,t as D,b as _,a2 as E,a3 as j,a0 as v,d as y,r as x,a1 as w}from"../chunks/CY0xiJY_.js";import{s as F}from"../chunks/644wqTkX.js";import{i as I}from"../chunks/Be9c2Njn.js";import{c as L}from"../chunks/B3WWMsPb.js";import{h as H}from"../chunks/DvEFWP7f.js";import{g as S}from"../chunks/BZeDxdBj.js";import"../chunks/BNzAZ1kp.js";import{F as n}from"../chunks/BXoqjasr.js";const C={title:"Supported Formats",eyebrow:"StellarBase Platform",lead:"If it's a file, we read it. Office documents, scanned PDFs, photos, audio, video, structured data, code, and more — all parsed automatically by StellarOCR and the ingestion pipeline."},{title:dt,eyebrow:ot,lead:st}=C;var M=k('<h2>Office documents</h2> <table><thead><tr><th>Format</th><th>What we extract</th></tr></thead><tbody><tr><td>.pdf (born-digital)</td><td>Text, layout, tables, figures, embedded fonts</td></tr><tr><td>.pdf (scanned)</td><td>OCR’d text, layout reconstruction, table recognition</td></tr><tr><td>.docx, .doc</td><td>Text, headings, lists, tables, images, comments, tracked changes</td></tr><tr><td>.pptx, .ppt</td><td>Slide text, speaker notes, embedded images — Q3 2026</td></tr><tr><td>.xlsx, .xls</td><td>Cells, formulas, sheet structure, charts</td></tr><tr><td>.odt, .ods, .odp</td><td>OpenDocument equivalents — on the roadmap, no firm date</td></tr><tr><td>.rtf</td><td>Rich-text content with formatting</td></tr><tr><td>.txt, .md, .rst</td><td>Plain text and markup, structure preserved</td></tr></tbody></table> <h2>Images</h2> <table><thead><tr><th>Format</th><th>What we extract</th></tr></thead><tbody><tr><td>.jpeg, .jpg, .png, .webp</td><td>OCR’d text, captions, EXIF metadata, visual embeddings</td></tr><tr><td>.tiff, .heic</td><td>Same as above, with multi-page handling for TIFF</td></tr><tr><td>.svg</td><td>Embedded text + structure</td></tr><tr><td>.bmp, .gif</td><td>Frames extracted, OCR per frame</td></tr></tbody></table> <h2>Audio</h2> <!> <table><thead><tr><th>Format</th><th>What we extract</th></tr></thead><tbody><tr><td>.mp3, .wav, .m4a, .flac, .ogg, .opus</td><td>Transcript with speaker diarization, language detection</td></tr><tr><td>.amr, .aac</td><td>Same — typical voice memo formats</td></tr></tbody></table> <p>Audio is transcribed using a local model in self-hosted deployments and via StellarCloud in managed mode. Speaker diarization works for up to ~8 distinct speakers reliably.</p> <h2>Video</h2> <!> <table><thead><tr><th>Format</th><th>What we extract</th></tr></thead><tbody><tr><td>.mp4, .mov, .mkv, .webm, .avi</td><td>Audio transcript, frame samples (1 frame / 5–30 sec, configurable), OCR on each sampled frame, scene detection</td></tr></tbody></table> <h2>Email</h2> <!> <table><thead><tr><th>Format</th><th>What we extract</th></tr></thead><tbody><tr><td>.eml</td><td>Headers, body (text + HTML), attachments (recursively parsed), inline images</td></tr><tr><td>.mbox</td><td>Same, exploded per message</td></tr><tr><td>.msg (Outlook)</td><td>Same, plus Outlook-specific properties</td></tr></tbody></table> <h2>Chat exports</h2> <!> <table><thead><tr><th>Format</th><th>Source</th></tr></thead><tbody><tr><td>Slack export ZIP</td><td>Channels, threads, files</td></tr><tr><td>Teams export</td><td>Channels, chats, transcripts</td></tr><tr><td>WhatsApp export</td><td>Conversation logs (with consent)</td></tr><tr><td>Discord export</td><td>Servers, channels, threads</td></tr></tbody></table> <h2>Structured data</h2> <table><thead><tr><th>Format</th><th>What we extract</th></tr></thead><tbody><tr><td>.csv, .tsv</td><td>Headers, rows, with type inference</td></tr><tr><td>.json, .jsonl</td><td>Hierarchical structure preserved</td></tr><tr><td>.xml</td><td>Tree structure, attributes, namespaces</td></tr><tr><td>.yaml, .toml</td><td>Configuration-style data</td></tr><tr><td>.parquet</td><td>Columnar data, statistics — on the roadmap, no firm date</td></tr><tr><td>.feather, .arrow</td><td>Same — on the roadmap, no firm date</td></tr></tbody></table> <h2>Code & logs</h2> <p>Any plain-text source file (Python, JS/TS, Go, Rust, Java, C/C++, SQL, R, MATLAB, shell, etc.) is parsed with syntax-aware chunking. Comments, docstrings, and function signatures are extracted as separate searchable units.</p> <p>Log files: standard formats (Apache, nginx, syslog, JSON logs, structured logs) are parsed into events with timestamp, severity, and message fields.

1</p> <h2>Domain-specific</h2> <!> <table><thead><tr><th>Format</th><th>Industry</th></tr></thead><tbody><tr><td>DICOM</td><td>Medical imaging — pixel data + structured metadata</td></tr><tr><td>HL7 v2 / FHIR</td><td>Healthcare records</td></tr><tr><td>STEP, IGES, DXF</td><td>CAD — text annotations + geometric structure</td></tr><tr><td>SHP, GeoJSON, KML</td><td>Geographic — features + attributes</td></tr><tr><td>BibTeX, RIS, EndNote XML</td><td>Reference-manager exports</td></tr><tr><td>EDIFACT, X12</td><td>Business EDI</td></tr><tr><td>SWIFT messages</td><td>Financial transactions</td></tr></tbody></table> <h2>Compressed archives</h2> <!> <p>Auto-extracted and recursively processed: .zip, .tar, .tar.gz, .tar.bz2, .7z, .rar.</p> <h2>What we don’t (yet) support</h2> <ul><li>Encrypted documents — provide the password during ingest, or decrypt before upload</li> <li>DRM-protected formats — by design</li> <li>Proprietary formats without published specs — request via support; many can be added on demand</li></ul> <h2>Quality expectations</h2> <p>Quality of extraction depends on the format:</p> <table><thead><tr><th>Format</th><th>Typical quality</th></tr></thead><tbody><tr><td>Born-digital PDFs, .docx, .xlsx</td><td>Near-perfect</td></tr><tr><td>High-quality scans (300+ DPI)</td><td>95%+ character accuracy</td></tr><tr><td>Phone photos of documents</td><td>90–95% with corrections</td></tr><tr><td>Audio (clear, single speaker)</td><td>95%+ word accuracy</td></tr><tr><td>Audio (multi-speaker, noisy)</td><td>80–90%</td></tr><tr><td>Handwriting (clear)</td><td>85–90%</td></tr><tr><td>Handwriting (cursive)</td><td>60–80% — variable</td></tr></tbody></table> <p>Confidence scores are exposed for downstream filtering. Low-confidence regions can be routed to <a href="/docs/gate/hitl">human review</a>.</p> <h2>Related</h2> <ul><li><a href="/docs/platform/ocr">StellarOCR</a> — the engine behind document parsing</li> <li><a href="/docs/platform/data-sources">Data Sources</a> — connectors that deliver these files</li></ul>',1);function W(b){var p=M(),u=d(z(p),10);n(u,{featureId:"platform.formats.categories.audio",children:(t,o)=>{a();var e=s("Audio ingest and transcription are on the roadmap; no firm date yet.");r(t,e)},$$slots:{default:!0}});var i=d(u,8);n(i,{featureId:"platform.formats.categories.video",children:(t,o)=>{a();var e=s("Video ingest, frame sampling, and per-frame OCR are on the roadmap; no firm date yet.");r(t,e)},$$slots:{default:!0}});var h=d(i,6);n(h,{featureId:"platform.formats.categories.email",children:(t,o)=>{a();var e=s("`.eml` / `.msg` / `.mbox` ingest is on the roadmap; no firm date yet.");r(t,e)},$$slots:{default:!0}});var l=d(h,6);n(l,{featureId:"platform.formats.categories.archives-chat",children:(t,o)=>{a();var e=s("Chat-export ingestion (Slack / Teams / WhatsApp / Discord export archives) is on the roadmap; no firm date yet.");r(t,e)},$$slots:{default:!0}});var m=d(l,16);n(m,{featureId:"platform.formats.domain-specific",children:(t,o)=>{a();var e=s("Domain-specific format parsing (DICOM, HL7 / FHIR, CAD, geospatial, EDI, SWIFT…) is on the roadmap; no firm date yet.");r(t,e)},$$slots:{default:!0}});var g=d(m,6);n(g,{featureId:"platform.formats.categories.archives-chat",children:(t,o)=>{a();var e=s("Auto-extraction of `.zip` / `.rar` / `.7z` and recursive processing of contents are on the roadmap; no firm date yet.");r(t,e)},$$slots:{default:!0}}),a(18),r(b,p)}const T={title:"Podporované formáty",eyebrow:"StellarBase platforma",lead:"Pokud je to soubor, přečteme ho. Office dokumenty, skenovaná PDF, fotky, audio, video, strukturovaná data, kód a další — vše automaticky parsované StellarOCR a ingest pipelinou."},{title:nt,eyebrow:it,lead:lt}=T;var B=k('<h2>Office dokumenty</h2> <table><thead><tr><th>Formát</th><th>Co extrahujeme</th></tr></thead><tbody><tr><td>.pdf (born-digital)</td><td>Text, layout, tabulky, obrázky, embedded fonty</td></tr><tr><td>.pdf (skenované)</td><td>OCR text, rekonstrukce layoutu, rozpoznání tabulek</td></tr><tr><td>.docx, .doc</td><td>Text, nadpisy, seznamy, tabulky, obrázky, komentáře, tracked changes</td></tr><tr><td>.pptx, .ppt</td><td>Text slidů, poznámky, embedded obrázky — Q3 2026</td></tr><tr><td>.xlsx, .xls</td><td>Buňky, vzorce, struktura sešitu, grafy</td></tr><tr><td>.odt, .ods, .odp</td><td>

1OpenDocument ekvivalenty — na roadmapě, bez pevného data</td></tr><tr><td>.rtf</td><td>Rich-text obsah s formátováním</td></tr><tr><td>.txt, .md, .rst</td><td>Plain text a markup, struktura zachována</td></tr></tbody></table> <h2>Obrázky</h2> <table><thead><tr><th>Formát</th><th>Co extrahujeme</th></tr></thead><tbody><tr><td>.jpeg, .jpg, .png, .webp</td><td>OCR text, popisky, EXIF metadata, obrazové embeddings</td></tr><tr><td>.tiff, .heic</td><td>Totéž, plus multi-page handling u TIFF</td></tr><tr><td>.svg</td><td>Embedded text + struktura</td></tr><tr><td>.bmp, .gif</td><td>Vytažené snímky, OCR per snímek</td></tr></tbody></table> <h2>Audio</h2> <!> <table><thead><tr><th>Formát</th><th>Co extrahujeme</th></tr></thead><tbody><tr><td>.mp3, .wav, .m4a, .flac, .ogg, .opus</td><td>Přepis se speaker diarization, detekce jazyka</td></tr><tr><td>.amr, .aac</td><td>Totéž — typické formáty hlasových poznámek</td></tr></tbody></table> <p>Audio se přepisuje lokálním modelem v self-hosted nasazeních a přes StellarCloud v managed režimu. Speaker diarization spolehlivě funguje pro až ~8 odlišných mluvčích.</p> <h2>Video</h2> <!> <table><thead><tr><th>Formát</th><th>Co extrahujeme</th></tr></thead><tbody><tr><td>.mp4, .mov, .mkv, .webm, .avi</td><td>Audio přepis, samply snímků (1 snímek / 5–30 s, konfigurovatelně), OCR na každém samplu, detekce scén</td></tr></tbody></table> <h2>E-mail</h2> <!> <table><thead><tr><th>Formát</th><th>Co extrahujeme</th></tr></thead><tbody><tr><td>.eml</td><td>Hlavičky, tělo (text + HTML), přílohy (rekurzivně parsované), inline obrázky</td></tr><tr><td>.mbox</td><td>Totéž, rozpadlé per zpráva</td></tr><tr><td>.msg (Outlook)</td><td>Totéž, plus Outlook-specifické vlastnosti</td></tr></tbody></table> <h2>Exporty z chatů</h2> <!> <table><thead><tr><th>Formát</th><th>Zdroj</th></tr></thead><tbody><tr><td>Slack export ZIP</td><td>Kanály, vlákna, soubory</td></tr><tr><td>Teams export</td><td>Kanály, chaty, přepisy</td></tr><tr><td>WhatsApp export</td><td>Logy konverzací (se souhlasem)</td></tr><tr><td>Discord export</td><td>Servery, kanály, vlákna</td></tr></tbody></table> <h2>Strukturovaná data</h2> <table><thead><tr><th>Formát</th><th>Co extrahujeme</th></tr></thead><tbody><tr><td>.csv, .tsv</td><td>Hlavičky, řádky, s odhadem typů</td></tr><tr><td>.json, .jsonl</td><td>Hierarchická struktura zachována</td></tr><tr><td>.xml</td><td>Stromová struktura, atributy, namespaces</td></tr><tr><td>.yaml, .toml</td><td>Konfigurační data</td></tr><tr><td>.parquet</td><td>Sloupcová data, statistiky — na roadmapě, bez pevného data</td></tr><tr><td>.feather, .arrow</td><td>Totéž — na roadmapě, bez pevného data</td></tr></tbody></table> <h2>Kód a logy</h2> <p>Jakýkoli plain-text zdrojový soubor (Python, JS/TS, Go, Rust, Java, C/C++, SQL, R, MATLAB, shell atd.) je parsován se syntax-aware chunkingem. Komentáře, docstringy a podpisy funkcí se extrahují jako samostatné prohledávatelné jednotky.</p> <p>Log soubory: standardní formáty (Apache, nginx, syslog, JSON logy, strukturované logy) se parsují na události s polem timestamp, severity a message.</p> <h2>Doménově specifické</h2> <!> <table><thead><tr><th>Formát</th><th>Obor</th></tr></thead><tbody><tr><td>DICOM</td><td>Lékařské zobrazování — pixelová data + strukturovaná metadata</td></tr><tr><td>HL7 v2 / FHIR</td><td>Zdravotnické záznamy</td></tr><tr><td>STEP, IGES, DXF</td><td>CAD — textové anotace + geometrická struktura</td></tr><tr><td>SHP, GeoJSON, KML</td><td>Geografické — features + atributy</td></tr><tr><td>BibTeX, RIS, EndNote XML</td><td>Exporty z reference managerů</td></tr><tr><td>EDIFACT, X12</td><td>Business EDI</td></tr><tr><td>SWIFT zprávy</td><td>Finanční transakce</td></tr></tbody></table> <h2>Komprimované archivy</h2> <!> <p>

1Automaticky rozbalené a rekurzivně zpracované: .zip, .tar, .tar.gz, .tar.bz2, .7z, .rar.</p> <h2>Co (zatím) nepodporujeme</h2> <ul><li>Šifrované dokumenty — dodejte heslo při ingestu nebo dešifrujte před uploadem</li> <li>DRM-chráněné formáty — záměrně</li> <li>Proprietární formáty bez publikované specifikace — na žádost přes podporu; mnoho lze přidat na vyžádání</li></ul> <h2>Očekávání kvality</h2> <p>Kvalita extrakce závisí na formátu:</p> <table><thead><tr><th>Formát</th><th>Typická kvalita</th></tr></thead><tbody><tr><td>Born-digital PDF, .docx, .xlsx</td><td>Téměř perfektní</td></tr><tr><td>Vysoce kvalitní skeny (300+ DPI)</td><td>95 %+ přesnost znaků</td></tr><tr><td>Fotky dokumentů z mobilu</td><td>90–95 % s korekcemi</td></tr><tr><td>Audio (čisté, jeden mluvčí)</td><td>95 %+ přesnost slov</td></tr><tr><td>Audio (víc mluvčích, šum)</td><td>80–90 %</td></tr><tr><td>Rukopis (čistý)</td><td>85–90 %</td></tr><tr><td>Rukopis (psací písmo)</td><td>60–80 % — variabilní</td></tr></tbody></table> <p>Confidence skóre jsou vystavená pro downstream filtrování. Low-confidence oblasti lze směrovat na <a href="/docs/gate/hitl">human review</a>.</p> <h2>Související</h2> <ul><li><a href="/docs/platform/ocr">StellarOCR</a> — engine za parsováním dokumentů</li> <li><a href="/docs/platform/data-sources">Datové zdroje</a> — konektory dodávající tyto soubory</li></ul>',1);function K(b){var p=B(),u=d(z(p),10);n(u,{featureId:"platform.formats.categories.audio",children:(t,o)=>{a();var e=s("Audio ingest a transkripce jsou na roadmapě; bez pevného data.");r(t,e)},$$slots:{default:!0}});var i=d(u,8);n(i,{featureId:"platform.formats.categories.video",children:(t,o)=>{a();var e=s("Video ingest, sampling snímků a per-frame OCR jsou na roadmapě; bez pevného data.");r(t,e)},$$slots:{default:!0}});var h=d(i,6);n(h,{featureId:"platform.formats.categories.email",children:(t,o)=>{a();var e=s("Ingest `.eml` / `.msg` / `.mbox` je na roadmapě; bez pevného data.");r(t,e)},$$slots:{default:!0}});var l=d(h,6);n(l,{featureId:"platform.formats.categories.archives-chat",children:(t,o)=>{a();var e=s("Ingest exportů z chatů (archivy Slack / Teams / WhatsApp / Discord) je na roadmapě; bez pevného data.");r(t,e)},$$slots:{default:!0}});var m=d(l,16);n(m,{featureId:"platform.formats.domain-specific",children:(t,o)=>{a();var e=s("Parsování doménově specifických formátů (DICOM, HL7 / FHIR, CAD, geo, EDI, SWIFT…) je na roadmapě; bez pevného data.");r(t,e)},$$slots:{default:!0}});var g=d(m,6);n(g,{featureId:"platform.formats.categories.archives-chat",children:(t,o)=>{a();var e=s("Automatické rozbalení `.zip` / `.rar` / `.7z` a rekurzivní zpracování obsahu jsou na roadmapě; bez pevného data.");r(t,e)},$$slots:{default:!0}}),a(18),r(b,p)}const P={title:"Unterstützte Formate",eyebrow:"StellarBase Plattform",lead:"Wenn es eine Datei ist, lesen wir sie. Office-Dokumente, gescannte PDFs, Fotos, Audio, Video, strukturierte Daten, Code und mehr — alles automatisch von StellarOCR und der Ingestion-Pipeline geparst."},{title:ht,eyebrow:mt,lead:pt}=P;var N=k('<h2>Office-Dokumente</h2> <table><thead><tr><th>Format</th><th>Was wir extrahieren</th></tr></thead><tbody><tr><td>.pdf (born-digital)</td><td>Text, Layout, Tabellen, Abbildungen, eingebettete Schriften</td></tr><tr><td>.pdf (gescannt)</td><td>OCR-Text, Layout-Rekonstruktion, Tabellenerkennung</td></tr><tr><td>.docx, .doc</td><td>Text, Überschriften, Listen, Tabellen, Bilder, Kommentare, Änderungsverfolgung</td></tr><tr><td>.pptx, .ppt</td><td>Folientext, Sprechernotizen, eingebettete Bilder — Q3 2026</td></tr><tr><td>.xlsx, .xls</td><td>Zellen, Formeln, Tabellenblattstruktur, Diagramme</td></tr><tr><td>.odt, .ods, .odp</td><td>OpenDocument-Äquivalente — auf der Roadmap, kein festes Datum</td></tr><tr><td>.rtf</td><td>Rich-Text-Inhalt mit Formatierung</td></tr><tr><td>.txt, .md, .rst</td><td>Plain-Text und Markup, Struktur erhalten</td></tr></tbody></table> <h2>Bilder</h2> <table><thead><tr><th>

1Format</th><th>Was wir extrahieren</th></tr></thead><tbody><tr><td>.jpeg, .jpg, .png, .webp</td><td>OCR-Text, Bildunterschriften, EXIF-Metadaten, visuelle Embeddings</td></tr><tr><td>.tiff, .heic</td><td>Wie oben, mit Mehrseiten-Verarbeitung für TIFF</td></tr><tr><td>.svg</td><td>Eingebetteter Text + Struktur</td></tr><tr><td>.bmp, .gif</td><td>Extrahierte Frames, OCR pro Frame</td></tr></tbody></table> <h2>Audio</h2> <!> <table><thead><tr><th>Format</th><th>Was wir extrahieren</th></tr></thead><tbody><tr><td>.mp3, .wav, .m4a, .flac, .ogg, .opus</td><td>Transkript mit Sprecher-Diarisierung, Spracherkennung</td></tr><tr><td>.amr, .aac</td><td>Dasselbe — typische Sprachmemo-Formate</td></tr></tbody></table> <p>Audio wird in selbst gehosteten Bereitstellungen mit einem lokalen Modell und im Managed-Modus über StellarCloud transkribiert. Die Sprecher-Diarisierung funktioniert zuverlässig für bis zu ~8 unterschiedliche Sprecher.</p> <h2>Video</h2> <!> <table><thead><tr><th>Format</th><th>Was wir extrahieren</th></tr></thead><tbody><tr><td>.mp4, .mov, .mkv, .webm, .avi</td><td>Audiotranskript, Frame-Samples (1 Frame / 5–30 Sek., konfigurierbar), OCR auf jedem gesampelten Frame, Szenenerkennung</td></tr></tbody></table> <h2>E-Mail</h2> <!> <table><thead><tr><th>Format</th><th>Was wir extrahieren</th></tr></thead><tbody><tr><td>.eml</td><td>Header, Body (Text + HTML), Anhänge (rekursiv geparst), Inline-Bilder</td></tr><tr><td>.mbox</td><td>Dasselbe, pro Nachricht aufgeteilt</td></tr><tr><td>.msg (Outlook)</td><td>Dasselbe, plus Outlook-spezifische Eigenschaften</td></tr></tbody></table> <h2>Chat-Exporte</h2> <!> <table><thead><tr><th>Format</th><th>Quelle</th></tr></thead><tbody><tr><td>Slack-Export-ZIP</td><td>Kanäle, Threads, Dateien</td></tr><tr><td>Teams-Export</td><td>Kanäle, Chats, Transkripte</td></tr><tr><td>WhatsApp-Export</td><td>Konversationsprotokolle (mit Einwilligung)</td></tr><tr><td>Discord-Export</td><td>Server, Kanäle, Threads</td></tr></tbody></table> <h2>Strukturierte Daten</h2> <table><thead><tr><th>Format</th><th>Was wir extrahieren</th></tr></thead><tbody><tr><td>.csv, .tsv</td><td>Header, Zeilen, mit Typinferenz</td></tr><tr><td>.json, .jsonl</td><td>Hierarchische Struktur erhalten</td></tr><tr><td>.xml</td><td>Baumstruktur, Attribute, Namespaces</td></tr><tr><td>.yaml, .toml</td><td>Konfigurationsartige Daten</td></tr><tr><td>.parquet</td><td>Spaltendaten, Statistiken — auf der Roadmap, kein festes Datum</td></tr><tr><td>.feather, .arrow</td><td>Dasselbe — auf der Roadmap, kein festes Datum</td></tr></tbody></table> <h2>Code & Logs</h2> <p>Jede Plain-Text-Quelldatei (Python, JS/TS, Go, Rust, Java, C/C++, SQL, R, MATLAB, Shell usw.) wird mit syntaxbewusstem Chunking geparst. Kommentare, Docstrings und Funktionssignaturen werden als separate durchsuchbare Einheiten extrahiert.</p> <p>Log-Dateien: Standardformate (Apache, nginx, syslog, JSON-Logs, strukturierte Logs) werden in Ereignisse mit den Feldern Zeitstempel, Schweregrad und Nachricht geparst.</p> <h2>Domänenspezifisch</h2> <!> <table><thead><tr><th>Format</th><th>Branche</th></tr></thead><tbody><tr><td>DICOM</td><td>Medizinische Bildgebung — Pixeldaten + strukturierte Metadaten</td></tr><tr><td>HL7 v2 / FHIR</td><td>Gesundheitsakten</td></tr><tr><td>STEP, IGES, DXF</td><td>CAD — Textanmerkungen + geometrische Struktur</td></tr><tr><td>SHP, GeoJSON, KML</td><td>Geografisch — Features + Attribute</td></tr><tr><td>BibTeX, RIS, EndNote XML</td><td>Exporte aus Literaturverwaltungen</td></tr><tr><td>EDIFACT, X12</td><td>Business-EDI</td></tr><tr><td>SWIFT-Nachrichten</td><td>Finanztransaktionen</td></tr></tbody></table> <h2>Komprimierte Archive</h2> <!> <p>Automatisch entpackt und rekursiv verarbeitet: .zip, .tar, .tar.gz, .tar.bz2, .7z, .rar.</p> <h2>Was wir (noch) nicht unterstützen</h2> <ul><li>Verschlüsselte Dokumente — geben Sie das Passwort beim Ingest an oder entschlüsseln Sie vor dem Upload</li> <li>DRM-geschützte Formate — by design</li> <li>Proprietäre Formate ohne veröffentlichte Spezifikation — über den Support anfragen; viele können bei Bedarf hinzugefügt werden</li></ul> <h2>Qualitätserwartungen</h2> <p>Die Qualität der Extraktion hängt vom Format ab:</p> <table><thead><tr><th>

1Format</th><th>Typische Qualität</th></tr></thead><tbody><tr><td>Born-digital-PDFs, .docx, .xlsx</td><td>Nahezu perfekt</td></tr><tr><td>Hochwertige Scans (300+ DPI)</td><td>95 %+ Zeichengenauigkeit</td></tr><tr><td>Handyfotos von Dokumenten</td><td>90–95 % mit Korrekturen</td></tr><tr><td>Audio (klar, einzelner Sprecher)</td><td>95 %+ Wortgenauigkeit</td></tr><tr><td>Audio (mehrere Sprecher, verrauscht)</td><td>80–90 %</td></tr><tr><td>Handschrift (klar)</td><td>85–90 %</td></tr><tr><td>Handschrift (Schreibschrift)</td><td>60–80 % — variabel</td></tr></tbody></table> <p>Konfidenzwerte werden für nachgelagertes Filtern bereitgestellt. Regionen mit geringer Konfidenz können zur <a href="/docs/gate/hitl">menschlichen Prüfung</a> weitergeleitet werden.</p> <h2>Verwandt</h2> <ul><li><a href="/docs/platform/ocr">StellarOCR</a> — die Engine hinter dem Dokument-Parsing</li> <li><a href="/docs/platform/data-sources">Datenquellen</a> — Konnektoren, die diese Dateien liefern</li></ul>',1);function X(b){var p=N(),u=d(z(p),10);n(u,{featureId:"platform.formats.categories.audio",children:(t,o)=>{a();var e=s("Audio-Ingest und Transkription stehen auf der Roadmap; noch kein festes Datum.");r(t,e)},$$slots:{default:!0}});var i=d(u,8);n(i,{featureId:"platform.formats.categories.video",children:(t,o)=>{a();var e=s("Video-Ingest, Frame-Sampling und Per-Frame-OCR stehen auf der Roadmap; noch kein festes Datum.");r(t,e)},$$slots:{default:!0}});var h=d(i,6);n(h,{featureId:"platform.formats.categories.email",children:(t,o)=>{a();var e=s("Der Ingest von `.eml` / `.msg` / `.mbox` steht auf der Roadmap; noch kein festes Datum.");r(t,e)},$$slots:{default:!0}});var l=d(h,6);n(l,{featureId:"platform.formats.categories.archives-chat",children:(t,o)=>{a();var e=s("Der Ingest von Chat-Exporten (Export-Archive von Slack / Teams / WhatsApp / Discord) steht auf der Roadmap; noch kein festes Datum.");r(t,e)},$$slots:{default:!0}});var m=d(l,16);n(m,{featureId:"platform.formats.domain-specific",children:(t,o)=>{a();var e=s("Das Parsen domänenspezifischer Formate (DICOM, HL7 / FHIR, CAD, Geodaten, EDI, SWIFT…) steht auf der Roadmap; noch kein festes Datum.");r(t,e)},$$slots:{default:!0}});var g=d(m,6);n(g,{featureId:"platform.formats.categories.archives-chat",children:(t,o)=>{a();var e=s("Das automatische Entpacken von `.zip` / `.rar` / `.7z` und die rekursive Verarbeitung der Inhalte stehen auf der Roadmap; noch kein festes Datum.");r(t,e)},$$slots:{default:!0}}),a(18),r(b,p)}var G=k('<span class="text-[12px] font-semibold tracking-wider text-blue-400/60 uppercase"> </span>'),J=k('<p class="lead"> </p>'),Q=k('<div class="flex flex-col gap-2"><!> <h1> </h1></div> <!> <!>',1);function ut(b,p){O(p,!0);const u=w(()=>S()==="de"?X:S()==="cs"?K:W),i=w(()=>S()==="de"?P:S()==="cs"?T:C);var h=Q();H("1lwqk5v",c=>{E(()=>{j.title=`${v(i).title??""} — StellarBase Docs`})});var l=z(h),m=y(l);{var g=c=>{var f=G(),$=y(f,!0);x(f),D(()=>F($,v(i).eyebrow)),r(c,f)};I(m,c=>{v(i).eyebrow&&c(g)})}var t=d(m,2),o=y(t,!0);x(t),x(l);var e=d(l,2);{var R=c=>{var f=J(),$=y(f,!0);x(f),D(()=>F($,v(i).lead)),r(c,f)};I(e,c=>{v(i).lead&&c(R)})}var A=d(e,2);L(A,()=>v(u),(c,f)=>{f(c,{})}),D(()=>F(o,v(i).title)),r(b,h),_()}export{ut as component};