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": 
- สนทนาเกี่ยวกับ Code Snippets และไฟล์ PDF ที่คุณกำลังทดสอบ
- สร้าง Adapters อย่างรวดเร็ว (เช่น Header Normalizers, Regex Templates)
- สรุปผลการแยกวิเคราะห์และตรวจจับความผิดปกติก่อนที่คุณจะสร้าง Dashboards
ไม่ใช่สิ่งที่มาแทนที่ OmniParser—แต่เป็นเพื่อนร่วมทางที่ทรงพลังในขณะที่คุณสร้างต้นแบบ, Debug และจัดทำเอกสาร Pipeline ของคุณ
---
## แผนปฏิบัติการ: เปลี่ยนบทเรียนเป็นการชนะในการผลิต
- เลือก 3 บทเรียนที่สอดคล้องกับเอกสารที่มีผลกระทบสูงที่สุดของคุณ
- สร้างชุด Validation ขนาดเล็ก (10–20 เอกสาร) และเรียกใช้หลังจากแต่ละการเปลี่ยนแปลง
- เพิ่ม Review Queue สำหรับฟิลด์ที่มีความเชื่อมั่นต่ำ วัดเวลาในการแก้ไข
- บันทึก Normalization Rules และ Edge Cases แปลงเป็น Templates
- กำหนดเวลา Benchmark รายเดือนเพื่อตรวจจับ Drift และ Regressions
---
## ประเด็นสำคัญ
- บทเรียน OmniParser ที่ดีที่สุดผสมผสาน Code, Heuristics และข้อกังวลด้านการผลิต
- เริ่มต้นเล็กๆ (Quickstart) แล้วเจาะลึก (Tables, Layout, Validation)
- Preprocessing และ Bounding Boxes ช่วยปรับปรุงความแม่นยำอย่างมากในการสแกนที่ยุ่งเหยิง
- การนำไปใช้งานจริงหมายถึง Caching, Batching, Retries และคุณภาพที่วัดได้
- ผู้ช่วย AI ขนาดเล็กเช่น [Sider.AI](https://sider.ai) สามารถเร่งการทดลองและจัดทำเอกสารได้
---
## ภาคผนวก: โครงสร้าง Repo เริ่มต้น (ไม่บังคับ)
```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/