run-llama/llama_cloud_services
1
0
Fork 0
mirror of https://github.com/run-llama/llama_cloud_services.git synced 2026-07-18 15:54:38 -04:00
Code Issues 352 Packages Projects Releases 10 Wiki Activity

LlamaParse marks plain text as header if the text is at the beginning of the page #179

New Issue
Open
opened 2026-02-16 00:17:04 -05:00 by yindo · 0 comments
yindo commented 2026-02-16 00:17:04 -05:00
Owner
Copy Link
Copy Source

Originally created by @ilyav123 on GitHub (Jul 11, 2024).

Hi!

The issue is that plain text is marked as a header for the text which is at the beginning of a page.

I have attached example file. The text which begins at pages 4 and 5 (which is plain text) is parsed to the following:

for page 4:

			"items": [
				{
					"type": "heading",
					"lvl": 1,
					"value": "Среднегодовой курс рубля к доллару США",
					"md": "# Среднегодовой курс рубля к доллару США",
					"bBox": {
						"x": 397,
						"y": 175.91999999999997,
						"w": 6.48,
						"h": 12
					}
				},
				{
					"type": "text",
					"value": "вырос на 24,4%, до 85,25 руб./долл., что оказало положительное влияние на динамику цены нефти сорта Юралс в рублевом выражении, которая выросла на 1,0% по сравнению с 2022 годом, несмотря на снижение цены в долларах. Чистая цена нефти сорта Юралс в рублевом выражении выросла на 15,1%.",
					"md": "вырос на 24,4%, до 85,25 руб./долл., что оказало положительное влияние на динамику цены нефти сорта Юралс в рублевом выражении, которая выросла на 1,0% по сравнению с 2022 годом, несмотря на снижение цены в долларах. Чистая цена нефти сорта Юралс в рублевом выражении выросла на 15,1%.",
					"bBox": {
						"x": 49,
						"y": 108.91999999999996,
						"w": 489.50800000000006,
						"h": 12
					}
				},

for page 5:

			"items": [
				{
					"type": "heading",
					"lvl": 1,
					"value": "По результатам геолого-разведочных работ и эксплуатационного бурения в 2023 году ЛУКОЙЛ",
					"md": "# По результатам геолого-разведочных работ и эксплуатационного бурения в 2023 году ЛУКОЙЛ",
					"bBox": {
						"x": 49,
						"y": 94.91999999999996,
						"w": 489.2199999999999,
						"h": 12
					}
				},
				{
					"type": "text",
					"value": "прирастил доказанные запасы на 408 млн барр. н.э. Наибольший прирост обеспечили активы в Западной Сибири, Каспийском море и Предуралье. Перевод условных ресурсов в запасы привел к приросту доказанных запасов на 85 млн барр. н.э.",
					"md": "прирастил доказанные запасы на 408 млн барр. н.э. Наибольший прирост обеспечили активы в Западной Сибири, Каспийском море и Предуралье. Перевод условных ресурсов в запасы привел к приросту доказанных запасов на 85 млн барр. н.э.",
					"bBox": {
						"x": 49,
						"y": 108.91999999999996,
						"w": 489.664,
						"h": 12
					}
				},

PS. Great that you implemented bBox'es output in json (I think a month ago you didn't have this feature)

lukoil1-5.pdf

full json output for this file:
out.json

Originally created by @ilyav123 on GitHub (Jul 11, 2024). Hi! The issue is that plain text is marked as a header for the text which is at the beginning of a page. I have attached example file. The text which begins at pages 4 and 5 (which is plain text) is parsed to the following: for page 4: ``` "items": [ { "type": "heading", "lvl": 1, "value": "Среднегодовой курс рубля к доллару США", "md": "# Среднегодовой курс рубля к доллару США", "bBox": { "x": 397, "y": 175.91999999999997, "w": 6.48, "h": 12 } }, { "type": "text", "value": "вырос на 24,4%, до 85,25 руб./долл., что оказало положительное влияние на динамику цены нефти сорта Юралс в рублевом выражении, которая выросла на 1,0% по сравнению с 2022 годом, несмотря на снижение цены в долларах. Чистая цена нефти сорта Юралс в рублевом выражении выросла на 15,1%.", "md": "вырос на 24,4%, до 85,25 руб./долл., что оказало положительное влияние на динамику цены нефти сорта Юралс в рублевом выражении, которая выросла на 1,0% по сравнению с 2022 годом, несмотря на снижение цены в долларах. Чистая цена нефти сорта Юралс в рублевом выражении выросла на 15,1%.", "bBox": { "x": 49, "y": 108.91999999999996, "w": 489.50800000000006, "h": 12 } }, ``` for page 5: ``` "items": [ { "type": "heading", "lvl": 1, "value": "По результатам геолого-разведочных работ и эксплуатационного бурения в 2023 году ЛУКОЙЛ", "md": "# По результатам геолого-разведочных работ и эксплуатационного бурения в 2023 году ЛУКОЙЛ", "bBox": { "x": 49, "y": 94.91999999999996, "w": 489.2199999999999, "h": 12 } }, { "type": "text", "value": "прирастил доказанные запасы на 408 млн барр. н.э. Наибольший прирост обеспечили активы в Западной Сибири, Каспийском море и Предуралье. Перевод условных ресурсов в запасы привел к приросту доказанных запасов на 85 млн барр. н.э.", "md": "прирастил доказанные запасы на 408 млн барр. н.э. Наибольший прирост обеспечили активы в Западной Сибири, Каспийском море и Предуралье. Перевод условных ресурсов в запасы привел к приросту доказанных запасов на 85 млн барр. н.э.", "bBox": { "x": 49, "y": 108.91999999999996, "w": 489.664, "h": 12 } }, ``` PS. Great that you implemented bBox'es output in json (I think a month ago you didn't have this feature) [lukoil1-5.pdf](https://github.com/user-attachments/files/16174568/lukoil1-5.pdf) full json output for this file: [out.json](https://github.com/user-attachments/files/16174652/out.json)
Sign in to join this conversation.
No Branch/Tag Specified
Branches Tags
Labels
Clear labels
LlamaCloud
LlamaExtract
LlamaParse
bug
client
complex layout
documentation
duplicate
enhancement
figure
font
header footer
help wanted
ocr
parser
pdf_debug
pdf_debug
pull-request
Mirrored from GitHub Pull Request
 python-lib
question
server_issue
server_issue
ui
No Label
Milestone
No items
No Milestone
Projects
Clear projects
No project
Assignees
Clear assignees
yindo
No Assignees
1 Participants
Notifications
Due Date
No due date set.
Dependencies

No dependencies set.

Reference: run-llama/llama_cloud_services#179
Delete Branch "%!s()"

Deleting a branch is permanent. Although the deleted branch may continue to exist for a short time before it actually gets removed, it CANNOT be undone in most cases. Continue?