document-parser

Extract structured data from PDFs, images, and Word files with layout analysis, table recognition, OCR, seal detection, and directory extraction.

高精度文档解析技能，从 PDF、图片、Word 文档中提取结构化数据。

用途

• 解析 PDF、图片 (JPG/PNG)、Word 文档
• 版面分析与结构提取
• 表格识别（输出 HTML/Markdown）
• OCR 文字识别
• 印章检测
• 目录提取

命令

解析文档

text

document-parser parse <文件路径> [选项]

示例：

text

document-parser parse C:\docs\report.pdf
document-parser parse C:\docs\scan.jpg --layout --table
document-parser parse C:\docs\contract.docx --output markdown

查询任务状态

text

document-parser status <任务 ID>

参数说明

参数	说明	示例
文件路径	PDF/图片/Word 文件路径	C:\docs\report.pdf
--layout	启用版面分析	--layout
--table	启用表格识别	--table
--seal	启用印章检测	--seal
--output	输出格式 (json/markdown/both)	--output markdown
--pages	页码范围	--pages 1-5,8,10-12

配置

方式一：环境变量

text

DOCUMENT_PARSER_API_KEY=your_api_key
DOCUMENT_PARSER_BASE_URL=http://47.111.146.164:8088/taidp/v1/idp/general_parse

方式二：配置文件

在技能目录创建 config.json：

json

{
  "api_key": "your_api_key",
  "base_url": "http://47.111.146.164:8088/taidp/v1/idp/general_parse"
}

输出格式

返回结构化 JSON 包含：

• pages: 解析后的页面数组
• elements: 版面元素（文本、表格、图片等）
• markdown: Markdown 格式文本
• data: 数据统计摘要

依赖

• requests
• python-docx (Word 支持)
• Pillow (图片处理)

错误码

错误码	消息	说明
10000	Success	识别成功
10001	Missing parameter	参数缺失
10002	Invalid parameter	非法参数
10003	Invalid file	文件格式非法
10004	Failed to recognize	识别失败
10005	Internal error	内部错误