Tencentcloud MultimodalDocParse OCR

腾讯云多模态解析（文档版）(MultimodalDocParse) 技能包。当用户提供文档 URL 地址时，应自动调用多模态解析（文档版）接口提取文档内容信息。支持 PDF、Word、PPT、Excel、Markdown、TXT、图片、WPS 等多格式文档解析；可配置页码范围、子图解析、任务类型、输出格式等可选参数；接口返回 ZIP 格式结果包下载地址，包内含结构化解析结果（*.md / *.xml / *_ocr_page{N}.json）及文档内提取的图片素材（images/）。结果包的真实结构与字段说明详见 references/result-package-structure.md。

腾讯云多模态解析（文档版）(MultimodalDocParse)

用途

调用腾讯云多模态解析（文档版）接口，对多种类型的文档文件进行智能解析，返回结构化结果。

核心能力：

• 多格式文档解析：支持 PDF、Word、PPT、Excel、Markdown、TXT、图片、WPS 等 8 种文档类型
• 可配置解析范围：支持页码范围（PageRange）裁剪，单次最多 300 页
• 多任务类型：文档解析 / 图片 OCR / 切片文字识别 / 切片表格识别 / 切片代码识别
• 多输出格式：json / markdown / xml / 三合一
• 子图解析：可选开启子图识别（EnableSubImg）
• ZIP 结果包：接口返回 ZIP 临时下载地址，脚本支持自动下载落盘

官方文档：https://cloud.tencent.com/document/product/866/133224

📚 可用资源

References（场景化指引）

• references/result-package-structure.md - 结果包 ZIP 的真实结构与字段说明（实测，非文档转述）。需要解析 ZIP 内容、取元素坐标、做页码对齐时必读

Scripts（脚本入口）

• scripts/main.py - 核心：CLI 封装（参数校验、SDK 调用、ZIP 下载、错误码建议）

使用时机

当用户提出以下需求时触发此技能：

• 用户提供了文档 URL（如 https://xxx.com/report.pdf、https://xxx.cos.xxx/合同.docx 等），需要解析其中的内容
• 用户说"解析这个文档"、"提取文档内容"、"文档转 markdown"、"多模态解析"、"文档智能解析"等表达
• 需要从 PDF、Word、PPT、Excel、Markdown、TXT、图片、WPS 等多格式文档中提取结构化内容
• 涉及合同/发票/研报/论文/简历等多格式文档智能解析的任何场景
• 需要将文档转换为 markdown/json 进行二次加工
• 需要批量提取文档内嵌图片素材

🤖 自动触发指引（面向大模型）

当检测到以下信号时，应自动调用此技能，无需用户显式要求"多模态解析"：

1. 用户消息中包含文档URL：检测到 http(s):// 开头且以文档扩展名（.pdf、.doc、.docx、.ppt、.pptx、.xls、.xlsx、.md、.txt、.wps、图片类 .png/.jpg/.jpeg 等）结尾的URL
2. 用户上传/粘贴了文档文件：对话中出现了 PDF/Word/PPT/Excel 等文档附件
3. 用户意图关键词：消息中包含"解析文档"、"提取内容"、"文档转结构化"、"多模态解析"、"文档版OCR"等与文档智能解析相关的表达

调用方式：

• 用户提供的是 URL，直接使用 --file-url 参数传入
• 用户上传的是本地文件，需先上传到可访问的存储（如腾讯云 COS）拿到 URL 后再传入

🎯 识别类型选择（调用前必读）

先按用户请求提取识别意图，再决定是否传 --task-type / --result-type 等参数：

1. 意图 → 参数映射（命中即带参调用）：
   • "转 markdown / 要全文 / 文档转 md" → --result-type 2
   • "识别里面的表格 / 表格数据化" → --task-type 3
   • "提取文字 / OCR 这张图 / 扫描件文字" → --task-type 1（图片场景）
   • "只要结构化 JSON" → --result-type 1
   • 明确只要某几页 → --page-range 开始页-结束页（如 1-10）
2. 意图不明时先问，不要默认跑：用户请求与以上意图都不匹配，或结果格式会影响后续用途（如"我要拿来对比数字"与"我要全文阅读"输出不同）时，先抛选择题问清识别方式（文档解析/图片OCR/切片表格/切片代码）与输出格式（json/md/xml/全要），等用户回答后再调用。
3. 用户已明确则直接执行：用户明确说了"转成 md"、"识别表格"等指令时不要反问，直接带对应参数调用；用户只说"解析这个文档"且无更多要求时，按默认（文档解析 + 三合一）执行。

环境要求

• Python 3.6+
• 依赖：tencentcloud-sdk-python（通过 pip install tencentcloud-sdk-python 安装）
• 环境变量：
  • TENCENTCLOUD_SECRET_ID：腾讯云API密钥ID
  • TENCENTCLOUD_SECRET_KEY：腾讯云API密钥Key

使用方式

运行 scripts/main.py 脚本完成文档解析。脚本使用 SDK 高层接口 client.MultimodalDocParse(req) 进行调用，具有类型安全和自动反序列化的优势。

请求参数

参数	类型	必填	说明
FileUrl	str	是	待解析文档的 URL 地址，支持 HTTP/HTTPS；文件下载时间不超过3秒，建议文件存储于腾讯云 COS/CDN 以保障下载速度和稳定性
FileType	int	否(推荐)	文件类型。0=未知 1=PDF 2=Word 3=PPT 4=Excel 5=Markdown 6=TXT 7=图片 8=WPS；不传时脚本会按 URL 扩展名自动推断；API 服务端默认 1=PDF
ResultType	int	否	输出格式。1=json 2=markdown 3=xml 9=json+markdown+xml（三合一）；API 默认 9
EnableSubImg	bool	否	是否开启子图解析，默认 false
PageRange	str	否	页码范围，格式 开始页-结束页，单次调用最多 300 页；仅对 PDF/Word/PPT 有效，例如 1-10
TaskType	int	否	任务类型。0=文档解析 1=图片OCR识别 2=切片文字识别 3=切片表格识别 4=切片代码识别；默认 0
UserAgent	str	否	请求来源标识(可选)，用于追踪调用来源，统一固定为Skills

⚠️ UserAgent参数使用指南

--user-agent参数是可选参数，统一固定为Skills，无需手动传递。用于标识API调用来源，便于追踪和统计：

调用框架	--user-agent 参数值	说明
所有框架	Skills	统一固定值，不传递时也默认为此值

实现说明：

• 通过--user-agent命令行参数传递，SDK 会将其拼接为 SDK_PYTHON_x.x.x; Skills 注入到请求中
• 统一固定为Skills，未传递时也默认为此值
• 该标识会记录在ES日志的 ReqBody.RequestClient 字段中，可用于追踪来源

⚠️ 参数使用要点

1. FileType 建议显式传入

FileType 在 API 文档中标为"否"，但 API 默认值 = 1（PDF）。传 Word/PPT 等非 PDF 文件却不显式传 FileType，会被错误地按 PDF 处理。

脚本策略：显式传 --file-type 时透传；未传时按 URL 扩展名自动推断（.pdf→1, .doc/.docx→2, .ppt/.pptx→3, .xls/.xlsx→4, .md→5, .txt→6, 图片→7, .wps→8）；推断不出则不传递该参数并打印警告，此时请显式传参。

2. PageRange 的入参与输出页码基准差 1

方向	基准	说明
PageRange 入参	1-based	2-3 表示人眼看到的「第 2 页到第 3 页」
结果包 page-number / ocr_pageN.json	0-based	第 2 页 → page-number=1、ocr_page1.json

即 输出索引 = 输入页码 − 1。格式必须为 开始页-结束页（不支持 1,3,5 这类离散页码），单次最多 300 页，仅对 PDF/Word/PPT 有效。

3. 接口是同步阻塞的，约 30 秒硬超时

超时返回 FailedOperation.EngineRecognizeTimeout，无异步任务 ID 可轮询，超时即本次调用作废（仍会计费）。大文档务必配合 --page-range 分批（建议每批 ≤ 10 页），并谨慎开启 --enable-sub-img（子图解析会显著拉长耗时）。

输出格式

调用成功且未启用下载时返回 JSON：

json

{
  "ResultUrl": "https://example.com/result.zip",
  "RequestId": "xxx",
  "ExpiresIn": "30分钟"
}

启用 --download 时返回：

json

{
  "ResultUrl": "https://example.com/result.zip",
  "RequestId": "xxx",
  "ExpiresIn": "30分钟",
  "downloaded_to": "/path/to/multimodal_results/result.zip"
}

ZIP 包内容（实测确认）

包内文件名统一以 {任务哈希} 为前缀（同一批结果共享同一前缀）：

文件	产生条件	说明
{hash}_md_full.md	--result-type 含 md（2/9）	Markdown 全文，按页用 <!-- "type": "page-number", "value": N --> 分隔
{hash}_xml_full.xml	--result-type 含 xml（3/9）	XML 全文，节点带 page-numbers 属性
{hash}_ocr_page{N}.json	--result-type 含 json（1/9）	每页一个文件，N 从 0 开始
images/imgParseSvr_img_{id}_{i}.png	文档内含图片时	抽出的图片素材

⚠️ 注意两点实测结论：

1. --result-type 是"选择"而非"累加"——它直接决定产出哪些文件，不是叠加输出。2（仅 md）就只出 _md_full.md，不会附带 json/xml。
2. 即使 --enable-sub-img false，文档里的图片仍会被抽出并保存进 images/，且图片内的文字会被识别、内联进 md 的 <image> 标签中。

各格式的完整字段结构、坐标系缩放规则见 references/result-package-structure.md。

⚠️ ResultUrl 是一次性临时链接（官方标注 30 分钟有效），接口无任务 ID、丢失后无法二次查询，务必用 --download 立即落盘。

调用示例

bash

# 1. 基础调用：解析 PDF 文档（自动从 .pdf 扩展名推断 FileType=1）
python scripts/main.py --file-url "https://example.com/document.pdf"

# 2. 解析 Word 文档（按 .docx 扩展名自动推断 FileType=2）
python scripts/main.py --file-url "https://example.com/report.docx"

# 3. 显式指定 FileType，规避扩展名推断不到的情况
python scripts/main.py --file-url "https://example.com/contract" --file-type 2

# 4. 多页 PDF 仅解析第 1-10 页
python scripts/main.py --file-url "https://example.com/long.pdf" --page-range 1-10

# 5. 输出 markdown 格式 + 自动下载结果包
python scripts/main.py --file-url "https://example.com/paper.pdf" \
  --result-type 2 --download --output-dir ./results

# 6. 任务类型：图片OCR识别（适用于扫描件）
python scripts/main.py --file-url "https://example.com/scan.png" \
  --file-type 7 --task-type 1

# 7. 任务类型：切片表格识别（适用于财务报表）
python scripts/main.py --file-url "https://example.com/finance-report.pdf" \
  --task-type 3

# 8. json+markdown+xml 三合一输出
python scripts/main.py --file-url "https://example.com/full.pdf" --result-type 9

密钥配置（新用户从零到跑通）

⚠️ 脚本只认两个环境变量 TENCENTCLOUD_SECRET_ID / TENCENTCLOUD_SECRET_KEY（见 scripts/main.py 的 validate_env），读不到就退出、无任何配置文件兜底。首次运行报 错误: 请设置环境变量 TENCENTCLOUD_SECRET_ID 和 TENCENTCLOUD_SECRET_KEY 时，按下面 ①→④ 走一遍即可。

① 申请 API 密钥（CAM 控制台）

1. 打开 🔗 腾讯云 API 密钥管理（需主账号或有 CAM 权限的子账号）。
2. 点「新建密钥」，生成一对 SecretId（AKID 开头）+ SecretKey。
3. ⚠️ 子账号若报权限不足，需主账号在 CAM 里给其授权 QcloudOCRFullAccess。

② 开通服务（不开通会报 FailedOperation.UnOpenError）

打开 🔗 腾讯云文字识别 OCR 购买页，按以下导航选到目标产品：

步骤	选择项
产品大类	文字识别（默认页）
服务类别 tab	文档智能（共 8 个 tab，注意不要选错）
接口名称	多模态解析（文档版）（蓝色高亮即选中，描述里带「PDF/Word/PPT/Excel/图片」多格式）

⚠️ 关键：OCR 是个产品族，通用 OCR 开通不算。本页最容易踩的坑是在「通用文字识别」下选完即关页面——多模态解析（文档版） 是「文档智能」类目下的独立 SKU，必须在此处单独点选并完成购买。

计费方式选「资源包」或「并发买断包」按需即可（按量付费默认包内）。

③ 配置密钥（三选一，按安全度排序）

方式 A：临时注入（最安全，用完即消，仅当前终端生效）

bash

export TENCENTCLOUD_SECRET_ID="你的SecretId"
export TENCENTCLOUD_SECRET_KEY="你的SecretKey"

方式 B：600 权限文件 + source（推荐，防命令行留痕）

bash

printf 'export TENCENTCLOUD_SECRET_ID="你的SecretId"\nexport TENCENTCLOUD_SECRET_KEY="你的SecretKey"\n' > ~/.tc_ocr_cred
chmod 600 ~/.tc_ocr_cred
source ~/.tc_ocr_cred        # 每次新开终端需重新 source

方式 C：写进 shell 配置（一劳永逸，但密钥明文落盘，谨慎使用）

bash

echo 'export TENCENTCLOUD_SECRET_ID="你的SecretId"' >> ~/.bashrc
echo 'export TENCENTCLOUD_SECRET_KEY="你的SecretKey"' >> ~/.bashrc
source ~/.bashrc

Windows (PowerShell)：

powershell

$env:TENCENTCLOUD_SECRET_ID = "你的SecretId"
$env:TENCENTCLOUD_SECRET_KEY = "你的SecretKey"

④ 验证跑通

拿到真实密钥后，先用最小验证确认链路通：

bash

python scripts/main.py --file-url "<一个可公开访问的小PDF的URL>" --download

成功返回含 ResultUrl / RequestId / ExpiresIn 的 JSON 即链路通。

⚠️ 不要把密钥直接敲在命令行历史里，请用方式 A 或 B；临时文件用完删除。

🤖 面向大模型的引导

当脚本因缺密钥退出（stderr 含「请设置环境变量 TENCENTCLOUD_SECRET_ID」）时，不要只转发报错：应把本节「① 申请 → ② 开通 → ③ 配置 → ④ 验证」完整路径主动贴给用户，引导其完成配置后重跑；若用户已有密钥（如存在某台机器或内部文档里），可直接询问位置，不要让其重新申请。