docling-project / docling-project/docling
Multi-column text with 3 column pdf is extracted partly in wrong order
- Dominant language
- Python
- Stars
- 66.4k
- Forks
- 4.8k
- Avg merge
- 2d 21h
- Merged PRs (30d)
- 84
Description
### Bug
Multi-column text with 3 column pdf is extracted partly in wrong order. Last part of text from column 2 appears in chunk after first part of text from column 3.
### Steps to reproduce
from docling.document_converter import DocumentConverter
from docling.chunking import HybridChunker
DOC_SOURCE = "test.pdf" # https://fiia.fi/wp-content/uploads/2023/09/comment10_iso-britannian-ja-suomen-puolustusyhteistyo-2020-luvulla.pdf
doc = DocumentConverter().convert(source=DOC_SOURCE).document
chunker = HybridChunker()
chunk_iter = chunker.chunk(dl_doc=doc)
for i, chunk in enumerate(chunk_iter):
print(f"=== {i} ===")
print(f"chunk.text:\n{chunk.text}")
print()
...
=== 3 ===
chunk.text:
Maantieteellisestä etäisyydestä huolimatta Iso-Britannia on 2010luvun jälkipuoliskolta alkaen osoittanut suurta kiinnostusta Suomen lähialueiden turvallisuuskysymyksiin. Esimerkiksi Iso-Britannian käynnistämä Joint Expeditionary Force (JEF) -yhteistyö - jossa Suomikin on ollut mukana vuodesta 2017 - on painottunut yhä enemmän Itämeren alueeseen muun muassa korkean tason keskustelujen ja yhteisten harjoitusten muodossa. Toukokuussa 2022 Iso-Britannia antoi Suomelle ja Ruotsille kahdenväliset turvallisuusvakuutukset Nato-jäsenyysprosessin ajaksi.
=== 4 ===
chunk.text:
**toimijana, joka suorimmin vaikuttaa niiden omaan turvallisuuteen. Iso-Britannia tulkitsee Venäjän uhkaavan avointa kansainvälistä järjestystä, mutta viime vuosina huomiota ovat herättäneet myös konkreettisemmat huolenaiheet. Näihin lukeutuvat esimerkiksi merenpohjassa kulkevien kaapelien haavoittuvuus sekä venäläisten sukellusveneiden ja ilma-alusten lisääntynyt toiminta Brittein saarten liepeillä.**
Useat tekijät edistävät Ison-Britannian ja Suomen yhteistyötä niin kahden- ja monenvälisesti kuin Natonkin puitteissa. Ensinnäkin molemmat maat näkevät Venäjän
=== 5 ===
chunk.text:
Toisekseen sekä Iso-Britannia että Suomi ovat kiinnostuneita arktisen alueen puolustuksesta. Iso-Britannia näkee itsensä 'alueen lähimpänä naapurina', joskaan sen mielenkiinto arktista aluetta kohtaan ei ole itsestäänselvyys vaan on virinnyt samaa tahtia kuin Venäjän ulkopolitiikka on muuttunut
SYYSKUU 2023
aggressiivisemmaksi. Isolla-Britannialla on toki kokemusta sotilaallisesta toiminnasta pohjoisilla alueilla jo kylmän sodan ajoilta.
### Docling version
Docling version: 2.37.0
Docling Core version: 2.38.1
Docling IBM Models version: 3.6.0
Docling Parse version: 4.0.5
Python: cpython-312 (3.12.3)
Platform: Linux-6.6.87.1-microsoft-standard-WSL2-x86_64-with-glibc2.39
### Python version
Python 3.12.3
Contributor guide
Assessment
This issue has not been assessed yet.