百度文档解析vlm-parser

调用百度PaddleOCR-VL大模型API解析文档。基于PaddleOCR-VL-1.5多模态大模型，支持PDF、Word、PPT、图片等格式，精准识别印刷文本、手写文本、表格、公式、图表、印章等复杂元素，支持111种语言，可处理不规则布局和长文档跨页解析。触发词：文档解析、VLM解析、大模型OCR、PaddleOCR、多模态文档、手写识别、公式识别、复杂版面。

百度文档解析（PaddleOCR-VL）Skill

基于 PaddleOCR-VL-1.5 多模态大模型，提供开箱即用的文档智能解析能力。

功能概述

PaddleOCR-VL-1.5-0.9B 是多模态文档解析领域的 SOTA 方案，具备：

• 全要素精准解析：高效识别印刷文本、手写文本、表格、公式、图表、印章等复杂文档元素
• 智能阅读顺序：基于人类阅读习惯推断内容排列顺序，将零散页面信息转化为有序带标签的结构化元素序列
• 行级别坐标：支持精准的行级别坐标输出
• 111 种语言：覆盖中、英、日、韩、拉丁文等全球化多语种文档
• 不规则布局定位：攻克复杂版面解析难点
• 长文档跨页解析：支持跨页表格合并等企业级场景
• 直接 Markdown/JSON 输出：无需额外处理

与文档解析（标准版）的区别

特性	PaddleOCR-VL（本 Skill）	标准版（pipeline-parser）
底层模型	多模态大模型 VLM	传统 Pipeline
语言支持	111 种	20+ 种
公式/图片识别	默认开启，无需配置	需手动开启参数
语种识别	自动识别，无需指定	需指定 language_type
版面类型	24 种细粒度类型	8 种基础类型
行坐标	支持	不支持
多边形坐标	支持（polygon）	仅矩形框
文件大小	版式 ≤100M，PDF ≤500 页	PDF ≤300M，≤2000 页

适用场景

当用户需要：

• 解析复杂版面文档（多栏、不规则布局）
• 精准识别手写文本、数学公式、图表
• 处理多语种混合文档
• 获取行级别坐标信息
• 长文档跨页表格合并
• 免配置自动识别文档内容

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：

bash

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（图片最长边不大于 4096px）

流式文档：doc, docx, txt, wps, ppt, pptx

支持语言

111 种语言，包括中文、英文、日文、韩文、拉丁文等，无需手动指定，大模型自动识别。

使用方式

bash

python3 scripts/baidu_doc_vlm_parser.py --file_data <文件的base64编码> --file_name "test.pdf"
python3 scripts/baidu_doc_vlm_parser.py --file_url <文件公网URL> --file_name "test.pdf"

API 接口

文档解析（PaddleOCR-VL）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/paddle-vl-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/paddle-vl-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（图片最长边不大于 4096px）；流式文档：doc, docx, txt, wps, ppt, pptx。图片不超过 10M，版式文档不超过 100M，流式文档不超过 50M，PDF 最大 500 页。超过 50M 须使用 file_url。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。PDF 文档不超过 100M，最大 500 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"

功能参数

参数	必选	类型	说明
recognize_formula	-	bool	无需开启，大模型默认对版式类型文档进行公式识别
analysis_chart	否	bool	是否对统计图表进行解析
parse_image_layout	-	bool	无需开启，大模型默认解析文档中的所有图片
language_type	-	string	无需开启，大模型默认识别语种类型
merge_tables	否	bool	是否将跨页表格合并输出，开启后 tables 内返回跨页表格合并标识
relevel_titles	否	bool	是否对段落标题（paragraph_title）进行分级，开启后在 sub_type 中输出标题级别
recognize_seal	否	bool	是否识别印章内容
return_span_boxes	否	bool	是否返回行坐标

文档分块参数

return_doc_chunks 为字典类型：

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
chunk_size	否	int	-1	切分块的大小，-1 表示按照语义自动切分

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

获取结果返回

字段	类型	说明
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
result.markdown_url	string	Markdown 格式结果链接，有效期 30 天
result.parse_result_url	string	JSON 格式结果 BOS 链接，有效期 30 天

解析结果 JSON 结构（parse_result_url）

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	当前页所有纯文字内容
layouts	list	版式分析结果
tables	list	表格解析结果
images	list	图片解析结果
meta	dict	页面元信息（page_width, page_height）

版面元素（layouts[]）

字段	类型	说明
layout_id	string	唯一标志，格式 "xxxxx-layout-{global_layout_index}"
text	string	文本内容（type 为 table/image 时为空）
position	list	位置 [x, y, w, h]
polygon	list	顶点坐标列表，可围合成多边形
span_boxes	list	行信息（开启 return_span_boxes 后生效），含 text 和 location
type	string	版面元素类型（见下表）
sub_type	string	标题层级（开启 relevel_titles 后生效）

版面类型（type）— 24 种细粒度类型：

类型	说明	类型	说明
text	文本	table	表格
image	图片	chart	图表
doc_title	文档标题	paragraph_title	段落标题
figure_title	图片标题	display_formula	公式
inline_formula	行内公式	formula_number	公式编号
header	页眉	footer	页脚
header_image	页眉图片	footer_image	页脚图片
number	页码	abstract	摘要
algorithm	算法	aside_text	旁注文本
content	目录	footnote	脚注
reference	参考文献	reference_content	参考文献内容
seal	印章	vertical_text	竖排文本

表格对象（tables[]）

字段	类型	说明
layout_id	string	对应 layouts 中 type 为 table 的 layout ID
markdown	string	表格 Markdown 形式
position	list	边框数据 [x, y, w, h]
cells	list	单元格内版面信息
matrix	list	单元格索引矩阵
merge_table	string	合并标识（开启 merge_tables 后）：begin（开始）、end（结束）

图片对象（images[]）

字段	类型	说明
layout_id	string	对应 layouts 中 type 为 image 的 layout ID
position	list	边框数据 [x, y, w, h]
data_url	string	图片存储链接
image_description	string	统计图表内容解析（JSON 字符串）

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
图片大小	≤ 10M，最长边 ≤ 4096px
版式文档大小	≤ 100M
流式文档大小	≤ 50M
PDF 页数	≤ 500 页
URL 长度	≤ 1024 字节
优先级	file_data > file_url

错误处理

常见错误码参见 references/error_codes.md

脚本

• scripts/baidu_doc_vlm_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