Unterstützte Formate
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.
Office-Dokumente
| Format | Was wir extrahieren |
|---|---|
| .pdf (born-digital) | Text, Layout, Tabellen, Abbildungen, eingebettete Schriften |
| .pdf (gescannt) | OCR-Text, Layout-Rekonstruktion, Tabellenerkennung |
| .docx, .doc | Text, Überschriften, Listen, Tabellen, Bilder, Kommentare, Änderungsverfolgung |
| .pptx, .ppt | Folientext, Sprechernotizen, eingebettete Bilder — Q3 2026 |
| .xlsx, .xls | Zellen, Formeln, Tabellenblattstruktur, Diagramme |
| .odt, .ods, .odp | OpenDocument-Äquivalente — auf der Roadmap, kein festes Datum |
| .rtf | Rich-Text-Inhalt mit Formatierung |
| .txt, .md, .rst | Plain-Text und Markup, Struktur erhalten |
Bilder
| Format | Was wir extrahieren |
|---|---|
| .jpeg, .jpg, .png, .webp | OCR-Text, Bildunterschriften, EXIF-Metadaten, visuelle Embeddings |
| .tiff, .heic | Wie oben, mit Mehrseiten-Verarbeitung für TIFF |
| .svg | Eingebetteter Text + Struktur |
| .bmp, .gif | Extrahierte Frames, OCR pro Frame |
Audio
🛠 On the roadmap. Audio-Ingest und Transkription stehen auf der Roadmap; noch kein festes Datum.
| Format | Was wir extrahieren |
|---|---|
| .mp3, .wav, .m4a, .flac, .ogg, .opus | Transkript mit Sprecher-Diarisierung, Spracherkennung |
| .amr, .aac | Dasselbe — typische Sprachmemo-Formate |
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.
Video
🛠 On the roadmap. Video-Ingest, Frame-Sampling und Per-Frame-OCR stehen auf der Roadmap; noch kein festes Datum.
| Format | Was wir extrahieren |
|---|---|
| .mp4, .mov, .mkv, .webm, .avi | Audiotranskript, Frame-Samples (1 Frame / 5–30 Sek., konfigurierbar), OCR auf jedem gesampelten Frame, Szenenerkennung |
🛠 On the roadmap. Der Ingest von `.eml` / `.msg` / `.mbox` steht auf der Roadmap; noch kein festes Datum.
| Format | Was wir extrahieren |
|---|---|
| .eml | Header, Body (Text + HTML), Anhänge (rekursiv geparst), Inline-Bilder |
| .mbox | Dasselbe, pro Nachricht aufgeteilt |
| .msg (Outlook) | Dasselbe, plus Outlook-spezifische Eigenschaften |
Chat-Exporte
🛠 On the roadmap. Der Ingest von Chat-Exporten (Export-Archive von Slack / Teams / WhatsApp / Discord) steht auf der Roadmap; noch kein festes Datum.
| Format | Quelle |
|---|---|
| Slack-Export-ZIP | Kanäle, Threads, Dateien |
| Teams-Export | Kanäle, Chats, Transkripte |
| WhatsApp-Export | Konversationsprotokolle (mit Einwilligung) |
| Discord-Export | Server, Kanäle, Threads |
Strukturierte Daten
| Format | Was wir extrahieren |
|---|---|
| .csv, .tsv | Header, Zeilen, mit Typinferenz |
| .json, .jsonl | Hierarchische Struktur erhalten |
| .xml | Baumstruktur, Attribute, Namespaces |
| .yaml, .toml | Konfigurationsartige Daten |
| .parquet | Spaltendaten, Statistiken — auf der Roadmap, kein festes Datum |
| .feather, .arrow | Dasselbe — auf der Roadmap, kein festes Datum |
Code & Logs
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.
Log-Dateien: Standardformate (Apache, nginx, syslog, JSON-Logs, strukturierte Logs) werden in Ereignisse mit den Feldern Zeitstempel, Schweregrad und Nachricht geparst.
Domänenspezifisch
🛠 On the roadmap. Das Parsen domänenspezifischer Formate (DICOM, HL7 / FHIR, CAD, Geodaten, EDI, SWIFT…) steht auf der Roadmap; noch kein festes Datum.
| Format | Branche |
|---|---|
| DICOM | Medizinische Bildgebung — Pixeldaten + strukturierte Metadaten |
| HL7 v2 / FHIR | Gesundheitsakten |
| STEP, IGES, DXF | CAD — Textanmerkungen + geometrische Struktur |
| SHP, GeoJSON, KML | Geografisch — Features + Attribute |
| BibTeX, RIS, EndNote XML | Exporte aus Literaturverwaltungen |
| EDIFACT, X12 | Business-EDI |
| SWIFT-Nachrichten | Finanztransaktionen |
Komprimierte Archive
🛠 On the roadmap. Das automatische Entpacken von `.zip` / `.rar` / `.7z` und die rekursive Verarbeitung der Inhalte stehen auf der Roadmap; noch kein festes Datum.
Automatisch entpackt und rekursiv verarbeitet: .zip, .tar, .tar.gz, .tar.bz2, .7z, .rar.
Was wir (noch) nicht unterstützen
- Verschlüsselte Dokumente — geben Sie das Passwort beim Ingest an oder entschlüsseln Sie vor dem Upload
- DRM-geschützte Formate — by design
- Proprietäre Formate ohne veröffentlichte Spezifikation — über den Support anfragen; viele können bei Bedarf hinzugefügt werden
Qualitätserwartungen
Die Qualität der Extraktion hängt vom Format ab:
| Format | Typische Qualität |
|---|---|
| Born-digital-PDFs, .docx, .xlsx | Nahezu perfekt |
| Hochwertige Scans (300+ DPI) | 95 %+ Zeichengenauigkeit |
| Handyfotos von Dokumenten | 90–95 % mit Korrekturen |
| Audio (klar, einzelner Sprecher) | 95 %+ Wortgenauigkeit |
| Audio (mehrere Sprecher, verrauscht) | 80–90 % |
| Handschrift (klar) | 85–90 % |
| Handschrift (Schreibschrift) | 60–80 % — variabel |
Konfidenzwerte werden für nachgelagertes Filtern bereitgestellt. Regionen mit geringer Konfidenz können zur menschlichen Prüfung weitergeleitet werden.
Verwandt
- StellarOCR — die Engine hinter dem Dokument-Parsing
- Datenquellen — Konnektoren, die diese Dateien liefern