تبدیل هوشمند فایل‌های PDF به فرمت JSON با Google Cloud AI

خلاصه پروژه: هدف این پروژه، استخراج دقیق و ساختاریافته محتوای کامل کتاب‌های درسی فارسی از فایل‌های PDF و تبدیل آن‌ها به فرمت JSON است. محتوای کتاب‌ها شامل متون فارسی، تصاویر، جداول، فرمول‌های ریاضی و علمی، و بخش‌های : کار درکلاس ، فعالیت ، تمرین و ... است. انتظار می‌رود این فرآیند با دقت بالا و به صورت ساختاریافته برای هر کتاب، فصل به فصل انجام شود 2. فناوری‌های مورد استفاده (الزامی): پروژه باید با استفاده از قوی‌ترین و جدیدترین مدل‌های هوش مصنوعی گوگل انجام شود. رویکرد ترکیبی زیر الزامی است: • Google Document AI: برای استخراج دقیق و ساختاریافته محتوا از اسناد. این سرویس به عنوان هسته اصلی پروژه، باید برای موارد زیر استفاده شود: o Document OCR Processor: برای تشخیص متن و ساختار کلی (پاراگراف‌ها، عنوان‌ها، لیست‌ها). o Table Parser Processor: برای شناسایی و استخراج دقیق داده‌ها از جداول به صورت سطر و ستون. • مدل Gemini 2.5 Pro: برای پردازش محتوای چندوجهی مانند تصاویر و فرمول‌ها. از این مدل برای تبدیل فرمول‌های ریاضی به فرمت LaTeX و تولید توضیحات (Caption) برای تصاویر استفاده خواهد شد. پالایش و ساختاردهی نهایی خروجی به فرمت JSON. 3. خروجی مورد انتظار فرمت JSON * خروجی نهایی باید برای هر فصل از کتاب یک فایل JSON مجزا باشد که ساختاری جامع و یکپارچه داشته باشد. * هر فایل JSON باید شامل محتوای صفحه به صفحه باشد که تمامی المان‌ها (متن، جدول، تصویر، فرمول) در آن به صورت ساختاریافته و قابل استفاده قرار گرفته باشند. * ساختار JSON باید به گونه‌ای باشد که به سادگی قابل استفاده در برنامه‌های کاربردی باشد. 4. الزامات و انتظارات: • دقت بالا: استخراج متن فارسی، جداول و فرمول‌ها باید با بالاترین دقت ممکن انجام شود. • حفظ ساختار: خروجی JSON باید ساختار اصلی کتاب (فصل‌ها، صفحات، تیترها، پاراگراف‌ها) را به درستی منعکس کند. • قابلیت مقیاس‌پذیری: راهکار ارائه شده باید قابلیت پردازش تعداد زیادی فایل PDF را داشته باشد