描述问题

我正在评估UnstructuredClient处理PDF文档的能力，并遇到了一个希腊语言文本提取的问题。当我尝试从希腊语的PDF文档中提取文本时，输出的文本显示为非希腊字母，无法阅读，因此无法用于我的用途。

重现问题

这是我正在使用的代码，在任何希腊文文档上运行都会重现错误：

from unstructured_client import UnstructuredClient
from unstructured_client.models import shared
from unstructured_client.models.errors import SDKError

s = UnstructuredClient(
    api_key_auth=DLAI_API_KEY,
    server_url=DLAI_API_URL,
)

filename = "example_files/c_20230111133942393_2525540.pdf"
with open(filename, "rb") as f:
    files=shared.Files(
        content=f.read(), 
        file_name=filename,
    )

req = shared.PartitionParameters(
    files=files,
    strategy='hi_res',
    pdf_infer_table_structure=True,
    languages=["gr"],
)
try:
    resp = s.general.partition(req)
    print(json.dumps(resp.elements[:3], indent=2))
except SDKError as e:
    print(e)

预期行为

我期望提取的文本能准确地表示PDF文档中的原始希腊字符。

实际结果

提取的文本包含不在希腊字母表中的字符，使文本无法阅读。以下是我得到的一个片段：

{
    "type": "NarrativeText",
    "element_id": "aaad19db9a99367b392003c6db4a7e2b",
    "text": "\u00a3635 TO TGS TOV KTV sPSopmva E5 yihddav oySovia Svo ko Sixx entd exatootdv (176.082,17) EURO, nov avriotogi o8 g&ivia exatoppudpia (60.000.000) Spayy\u00e9e,",
    "metadata": {
      "filetype": "application/pdf",
      "languages": [
        "gr"
      ],
      "page_number": 1,
      "parent_id": "1b406d8798c823dcd1d195f4a4f331dd",
      "filename": "c_20230111133942393_2525540.pdf"
    }
  }

额外背景

• 使用最新版本的Unstructured SDK。
• 问题在多个希腊文文档中始终出现。

这个问题是否可能是由于缺少希腊语OCR插件？因为我正在使用API,我希望这些组件能在服务器端进行管理。