Unstructured-IO / Unstructured-IO/unstructured-python-client
bug: pdf splitting modifies returned csv elements
Nadie ha tomado este issue todavía.
- Lenguaje dominante
- Python
- Estrellas
- 119
- Forks
- 22
- Merge medio
- 1 d 21 h
- PR fusionados (30 d)
- 1
Descripción
Describe the bug
When specifying output_format as csv, the response from the api is different when split_pdf_page is True or False. When False, the elements contain an extra metadata field: text_as_html. This also means the element id does not match.
To Reproduce
_test_unstructured_client/integration/test_decorators.py::test_integration_split_csv_response illustrates this, but is passing because it asserts on a shortened string.
Expected behavior
The response to be identical whether or not split_pdf_page is True or False.
Guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Línea de trabajo
Empieza con test_unstructured_client/integration/test_decorators.py::test_integration_split_csv_response y reemplaza su aserción abreviada por una comparación que exponga el campo adicional text_as_html y el id diferente del elemento. Traza el manejo de la respuesta CSV para split_pdf_page=True y False; estará terminado cuando ambas respuestas sean idénticas y la prueba de integración compruebe el resultado completo.
Escrito por el modelo de indexación a partir del texto del issue.
Evaluación
- Stack tecnológico
- python
- Área
- api
- Tipo de issue
- Error
- Dificultad
- 2/5
- Tiempo estimado
- 1-3 horas
- Estado de actividad
- Estancado
- Claridad
- Bien especificado
- Aptitud para principiantes
- 62/100