Unterstützte Formate

Vollständige Referenz zu den von Duckling unterstützten Eingabe- und Ausgabeformaten.

Eingabeformate

Dokumente

Format	Erweiterungen	Beschreibung	Hinweise
PDF	`.pdf`	Portable Document Format	Volle Unterstützung inkl. gescannter PDFs mit OCR
Word	`.docx`	Microsoft Word	Nur modernes Format (kein `.doc`)
PowerPoint	`.pptx`	Microsoft PowerPoint	Extrahiert Text und Bilder aus Folien
Excel	`.xlsx`	Microsoft Excel	Extrahiert Tabellen und Daten
HTML	`.html`, `.htm`	Webseiten	Struktur und Formatierung bleiben erhalten
Markdown	`.md`, `.markdown`	Markdown-Dateien	Volle CommonMark-Unterstützung

Bilder

Format	Erweiterungen	Beschreibung	Hinweise
PNG	`.png`	Portable Network Graphics	Gut für Screenshots und Diagramme
JPEG	`.jpg`, `.jpeg`	Joint Photographic Experts Group	Gut für Fotos
TIFF	`.tiff`, `.tif`	Tagged Image File Format	Mehrseitige Bilder
GIF	`.gif`	Graphics Interchange Format	Nur erstes Einzelbild
WebP	`.webp`	Web Picture Format	Modernes Webformat
BMP	`.bmp`	Bitmap	Unkomprimierte Bilder

Technische Dokumente

Format	Erweiterungen	Beschreibung	Hinweise
AsciiDoc	`.asciidoc`, `.adoc`	Technische Dokumentation	Volle AsciiDoc-Syntax
PubMed XML	`.xml`	Wissenschaftliche Artikel	PubMed Central-Format
USPTO XML	`.xml`	Patentschriften	US-Patentformat

Ausgabeformate

Textformate

Markdown (`.md`)

Am besten für Dokumentation und Inhalte, die Formatierung brauchen.

# Dokumenttitel

## Abschnitt 1

Dies ist ein Absatz mit **fettem** und *kursivem* Text.

- Listenpunkt 1
- Listenpunkt 2

| Spalte 1 | Spalte 2 |
|----------|----------|
| Daten 1  | Daten 2  |

HTML (`.html`)

Webtaugliches Format mit erhaltenem Styling.

<h1>Dokumenttitel</h1>
<h2>Abschnitt 1</h2>
<p>Dies ist ein Absatz mit <strong>fettem</strong> und <em>kursivem</em> Text.</p>

Klartext (`.txt`)

Einfacher Text ohne Formatierung.

Dokumenttitel

Abschnitt 1

Dies ist ein Absatz mit fettem und kursivem Text.

Strukturierte Formate

JSON (`.json`)

Vollständige Dokumentstruktur als JSON. Verlustfreie Darstellung.

{
  "title": "Dokumenttitel",
  "sections": [
    {
      "heading": "Abschnitt 1",
      "level": 2,
      "content": [
        {
          "type": "paragraph",
          "text": "Dies ist ein Absatz..."
        }
      ]
    }
  ]
}

DocTags (`.doctags`)

Getaggtes Dokumentformat für semantische Analyse.

<document>
  <title>Dokumenttitel</title>
  <section level="2">
    <heading>Abschnitt 1</heading>
    <paragraph>Dies ist ein Absatz...</paragraph>
  </section>
</document>

Document Tokens (`.tokens.json`)

Token-Ebene für NLP-Anwendungen.

{
  "tokens": [
    {"text": "Dokument", "type": "word", "position": 0},
    {"text": "Titel", "type": "word", "position": 1}
  ]
}

RAG-Formate

RAG Chunks (`.chunks.json`)

Dokument-Chunks für Retrieval-Augmented Generation optimiert.

{
  "chunks": [
    {
      "id": 1,
      "text": "Dies ist der erste Text-Chunk...",
      "meta": {
        "headings": ["Abschnitt 1"],
        "page": 1,
        "token_count": 128
      }
    }
  ]
}

Formatwahl

Anwendungsfall	Empfohlenes Format
Dokumentation	Markdown
Webpublikation	HTML
Datenverarbeitung	JSON
Suchindexierung	Klartext
NLP-/ML-Pipelines	Document Tokens
RAG-Anwendungen	RAG Chunks
Semantische Analyse	DocTags

API-Formatparameter

Bei Nutzung der API geben Sie das Format im Export-Endpunkt an:

# Als Markdown herunterladen
curl http://localhost:5001/api/export/{job_id}/markdown

# Als JSON herunterladen
curl http://localhost:5001/api/export/{job_id}/json

# Als HTML herunterladen
curl http://localhost:5001/api/export/{job_id}/html

MIME-Typen

Format	MIME-Typ
Markdown	`text/markdown`
HTML	`text/html`
JSON	`application/json`
Klartext	`text/plain`
DocTags	`application/xml`