from omniparser import OmniParser
parser = OmniParser(language="en")
result = parser.parse("./samples/invoice.pdf")
print(result.to_json(indent=2))

result.save_json("./outputs/invoice.json")

parser = OmniParser(language="en", ocr_model="tesseract", detect_rotation=True)

result = parser.parse("./samples/invoice.pdf", extract_tables=True)
for table in result.tables:
df = table.to_dataframe
print(df.head)

header_map = {
"item": 
- الدردشة حول مقتطفات التعليمات البرمجية وملفات PDF التي تختبرها
- إنشاء محولات سريعة (على سبيل المثال، أدوات تطبيع الرأس وقوالب regex)
- تلخيص نتائج التحليل واكتشاف الحالات الشاذة قبل إنشاء لوحات المعلومات
إنه ليس بديلاً لـ OmniParser - ولكنه رفيق قوي أثناء قيامك بإنشاء نموذج أولي وتصحيح أخطاء خط الأنابيب الخاص بك وتوثيقه.
---
## خطة العمل: تحويل الدروس التعليمية إلى انتصارات إنتاجية
- اختر 3 دروس تعليمية تتماشى مع المستندات الأكثر تأثيرًا لديك.
- أنشئ مجموعة تحقق صغيرة (10-20 مستندًا) وقم بتشغيلها بعد كل تغيير.
- أضف قائمة مراجعة للحقول منخفضة الثقة؛ قياس وقت الحل.
- تسجيل قواعد التطبيع والحالات الشاذة؛ تحويلها إلى قوالب.
- جدولة معيار شهري لاكتشاف الانحرافات والتراجعات.
---
## الوجبات الرئيسية
- تجمع أفضل الدروس التعليمية لـ OmniParser بين التعليمات البرمجية والإرشادات التجريبية واهتمامات الإنتاج.
- ابدأ صغيرًا (بداية سريعة)، ثم تعمق (الجداول والتخطيط والتحقق من الصحة).
- تعمل المعالجة المسبقة والمربعات المحيطة على تحسين الدقة بشكل كبير في عمليات المسح الفوضوية.
- يعني التحويل إلى إنتاج التخزين المؤقت والتجميع وإعادة المحاولة والجودة القابلة للقياس.
- يمكن لمساعد يعمل بالذكاء الاصطناعي خفيف الوزن مثل [Sider.AI](https://sider.ai) تسريع التجريب والتوثيق.
---
## الملحق: هيكل مستودع البداية (اختياري)
```text
omniparser-starter/
├─ app/
│ ├─ api.py
│ ├─ workers.py
│ └─ validators.py
├─ notebooks/
│ ├─ 01_quickstart.ipynb
│ ├─ 02_tables.ipynb
│ └─ 03_preprocessing.ipynb
├─ samples/
│ ├─ invoice.pdf
│ ├─ receipt.jpg
│ └─ statement.pdf
├─ outputs/
└─ .cache/