百度文档解析pipeline-parser

调用百度文档解析API解析文档。支持PDF、Word、Excel、PPT、图片等18+格式。提取文本、表格、版面分析、OCR识别及RAG文档分块。当用户需要解析文档、提取文本/表格、分析文档结构、处理扫描件时使用。触发词：文档解析、PDF解析、Word解析、表格提取、OCR、文档分析、提取文本、文档结构、扫描识别。

百度文档解析 Skill

基于百度智能文档分析平台 API，提供文档解析能力。

功能概述

• 支持对 doc、pdf、图片、xlsx 等 18 种格式文档进行解析
• 输出文档的版面、表格、阅读顺序、标题层级、旋转角度等信息
• 支持中、英、日、韩、法等 20 余种语言类型
• 可返回 Markdown 格式内容，将非结构化数据转化为易于处理的结构化数据
• 识别准确率可达 90% 以上
• 文档分块（适用于 RAG 场景）

适用场景

当用户需要：

• 解析 PDF、Word、Excel 等格式文档
• 从文档中提取文本内容
• 识别并提取表格数据
• 分析文档结构（标题层级、章节、版面布局）
• 对扫描件进行 OCR 文字识别
• 将文档分块用于 RAG 应用

API 配置

环境变量（必须）

百度智能文档分析平台 领取免费测试资源

使用前请设置以下环境变量：

export BAIDU_DOC_AI_API_KEY="your_api_key"
export BAIDU_DOC_AI_SECRET_KEY="your_secret_key"

认证方式

通过 API Key 和 Secret Key 获取 access_token，有效期 30 天。

支持格式

版式文档：pdf, jpg, jpeg, png, bmp, tif, tiff, ofd, ppt, pptx

流式文档：doc, docx, txt, xls, xlsx, wps, html, mhtml

支持语言

CHN_ENG（中英文）、JAP（日语）、KOR（韩语）、FRE（法语）、SPA（西班牙语）、POR（葡萄牙语）、GER（德语）、ITA（意大利语）、RUS（俄语）、DAN（丹麦语）、DUT（荷兰语）、MAL（马来语）、SWE（瑞典语）、IND（印尼语）、POL（波兰语）、ROM（罗马尼亚语）、TUR（土耳其语）、GRE（希腊语）、HUN（匈牙利语）、THA（泰语）、VIE（越南语）、ARA（阿拉伯语）、HIN（印地语）

使用方式

python3 scripts/baidu_doc_parser.py --file_data <文件的base64编码>
python3 scripts/baidu_doc_parser.py --file_url <文件公网URL>

API 接口

文档解析 API 服务为异步接口，需要先调用提交请求接口获取 task_id，然后调用获取结果接口进行结果轮询。

提交请求接口

• HTTP 方法：POST
• 请求 URL：https://aip.baidubce.com/rest/2.0/brain/online/v2/parser/task?access_token={token}
• Content-Type：application/x-www-form-urlencoded

获取结果接口

• HTTP 方法：POST
• 请求 URL：https://aip.baidubce.com/rest/2.0/brain/online/v2/parser/task/query?access_token={token}
• Content-Type：application/x-www-form-urlencoded
• 请求参数：task_id（必填，提交请求时返回的 task_id）

请求参数

文件参数（必选，二选一）

参数	必选	类型	说明
file_data	和 file_url 二选一	string	文件 Base64 编码数据。版式文档：pdf, jpg, jpeg, png, bmp, tif, tiff, ofd, ppt, pptx；流式文档：doc, docx, txt, xls, xlsx, wps, html, mhtml。文档大小不超过 50M，PDF 最大支持 2000 页。若文档大小超过 50M，须从 file_url 方式上传。优先级：file_data > file_url
file_url	和 file_data 二选一	string	文件数据 URL，长度不超过 1024 字节，支持单个 URL 传入。PDF 文档大小不超过 300MB，非 PDF 不超过 50M，PDF 最大支持 2000 页。请注意关闭 URL 防盗链
file_name	是	string	文件名，请保证文件名后缀正确，例如 "1.pdf"

核心功能参数

参数	必选	类型	可选值范围	说明
recognize_formula	否	bool	True/False	是否对版式类型文档进行公式识别
analysis_chart	否	bool	True/False	是否对统计图表进行解析
angle_adjust	否	bool	True/False	是否对图片进行角度矫正
parse_image_layout	否	bool	True/False	是否返回文档中的图片位置信息

语言与格式参数

参数	必选	类型	说明
language_type	否	string	识别语种类型，默认为 CHN_ENG（中英文）
switch_digital_width	否	string	是否对数字进行全半角转换，默认为 auto。可选：auto（不转换）、half（半角输出）、full（全角输出）
html_table_format	否	bool	是否将识别出的表格转换为 HTML 格式返回，default=True

文档分块参数

return_doc_chunks 为字典类型，用于返回文档切分后的片段数据（按语义、字数、标点）：

参数	必选	类型	默认值	说明
switch	否	bool	False	是否进行文档内容切分
split_type	否	str	chunk	切分方式：chunk（按 chunk_size 来切）/ mark（按 separators 来切）
separators	否	list	['。','；','！','？',';','!','?']	切分标点
chunk_size	否	int	-1	切分块的大小，-1 表示按照语义自动切分，不限定块的大小

返回结构

提交请求返回

字段	类型	说明
log_id	uint64	唯一的 log id，用于问题定位
error_code	int	错误码
error_msg	string	错误描述信息
result.task_id	string	该请求生成的 task_id，后续使用该 task_id 获取审查结果

获取结果返回

字段	类型	说明
log_id	uint64	唯一的 log id
error_code	int	错误码
error_msg	string	错误描述信息
result.task_id	string	任务 ID
result.status	string	任务状态：pending（排队中）、processing（运行中）、success（成功）、failed（失败）
result.task_error	string	解析报错信息，包含任务失败、额度不够
result.markdown_url	string	文档解析结果的 Markdown 格式链接，链接有效期 30 天
result.parse_result_url	string	文档解析结果的 BOS 链接（JSON），链接有效期 30 天

解析结果 JSON 结构（parse_result_url）

顶层结构

字段	类型	说明
file_name	string	文档名称
file_id	string	文档 ID
pages	list	文件单页解析内容
chunks	list	文件内容切分结果（return_doc_chunks.switch=True 时有值）

页面对象（pages[]）

字段	类型	说明
page_id	string	页码 ID
page_num	int	页码数
text	string	当前页的所有纯文字内容
layouts	list	页面内容版式分析的结果
tables	list	页面表格解析结果
images	list	页面中图片解析结果
meta	dict	页元信息

页面元信息（meta）

字段	类型	说明
page_width	int	页面宽度
page_height	int	页面高度
is_scan	bool	是否扫描件
page_angle	int	页面倾斜角度
page_type	string	页面属性：text（正文）、contents（目录）、appendix（附录）、others（其他）
sheet_name	string	Excel 的 sheet 名

版面元素（layouts[]）

字段	类型	说明
layout_id	string	layout 元素唯一标志，格式 "xxxxx-layout-{global_layout_index}"
text	string	layout 对应的文本内容。注：当 type 为 table/image 时该字段为空，需根据 type 和 layout_id 分别到 tables/images 字段里找到对应内容
position	list	元素在页面中的位置 [x, y, w, h]，左上角和宽高
type	string	版面元素类型（见下表）
sub_type	string	版面元素子类型（见下表）
parent	string	标题层级树中父节点的 layout_id，若为一级标题则 parent 为 "root"
children	list	标题层级树中子节点的 layout_id 列表

版面类型（type）：

类型	说明
para	段落
table	表格
image	文档中的插图
head_tail	页面顶部（页眉/页脚）
contents	目录
seal	印章
title	标题
formula	公式

子类型（sub_type）：

• title 类：title_{n}（n 级标题，如 title_2 代表二级标题）、image_title（图标题）、table_title（表标题）
• image 类：chart（统计图表）、figure（普通插图）、QR_code（二维码）、Bar_code（条形码）

表格对象（tables[]）

字段	类型	说明
layout_id	string	与 layouts 中 type 为 table 的元素的 layout ID 对应
markdown	string	表格内容的 Markdown 形式
table_title_id	list	表格标题对应的 layout_id，默认为 null
position	list	边框数据 [x, y, w, h]（以页面坐标为原点），版式格式时有效
cells	list	单元格的内版面信息，layout 类型为表格时有值
matrix	list	二位数组，表示表格内布局位置信息，每个元素对应 cells 列表中元素的索引
merge_table	string	跨页表格标记：begin（开始）、inner（中间，超过两页）、end（结束）；非跨页表格该字段为空

图片对象（images[]）

字段	类型	说明
layout_id	string	与 layouts 中 type 为 image 的元素的 layout ID 对应
image_title_id	list	图片标题对应的 layout_id，默认为 null
position	list	边框数据 [x, y, w, h]
content_layouts	list	图片的内版面信息
data_url	string	图片存储链接
image_description	string	对统计图表进行内容解析和描述，输出结果为 JSON 字符串

分块对象（chunks[]）

字段	类型	说明
chunk_id	string	切片的 ID
content	string	切片的内容
type	string	切片类型：text 或 table
meta.title	list	chunk 所属的多级标题内容
meta.position	list	chunk 的位置，根据分块算法有可能 chunk 跨多个页
meta.box	list	chunk 的位置坐标
meta.page_num	int	chunk 内容所在页数

API 特性

异步处理流程

1. 调用提交请求接口 → 获取 task_id
2. 通过 task_id 调用获取结果接口轮询

轮询建议

• 提交请求后 5~10 秒开始轮询
• 轮询间隔：5 秒
• 最大轮询时间：300 秒

QPS 限制

• 提交请求接口：2 QPS
• 获取结果接口：10 QPS

文件限制

限制项	说明
文件大小（file_data）	≤ 50MB，超过 50M 须使用 file_url
文件大小（file_url）	PDF ≤ 300MB，非 PDF ≤ 50MB
URL 长度	≤ 1024 字节
页数限制	PDF ≤ 2000 页
优先级	file_data > file_url（同时存在时 file_url 字段失效）

错误处理

常见错误码：

错误码	说明	解决方案
110/111	access_token 无效或过期	重新获取 access_token
216200	文件或 URL 为空	提供 file_data 或 file_url
216201	文件格式错误	检查文件格式是否支持
216202	文件大小超限	缩减文件大小
282000	内部错误	重试或联系技术支持
282003	缺少必要参数	检查必填参数
282007	任务不存在	检查 task_id 是否正确
282018	服务繁忙	降低请求频率

完整错误码参见 references/error_codes.md

在线调试

可在 示例代码中心 申请试该接口，可进行签名验证、查看在线调用的请求内容和返回结果、示例代码的自动生成。

脚本

• scripts/baidu_doc_parser.py：文档解析主程序，支持命令行快速调用

参考文档

• references/parameters.md：完整 API 参数与返回结构详解
• references/error_codes.md：完整错误码参考
• references/apikey-fetch.md：API Key 配置指南

相关链接

• 官方 API 文档
• 百度云控制台
• 智能文档分析平台