百度文件解析pipeline-parser
📄 辦公效率
免費
🔑 需 API Key
📖 技能介紹
百度文件解析 Skill
基於百度智慧文件分析平臺 API，提供文件解析能力。
功能概述
- 支援對 doc、pdf、圖片、xlsx 等 18 種格式文件進行解析
- 輸出文件的版面、表格、閱讀順序、標題層級、旋轉角度等資訊
- 支援中、英、日、韓、法等 20 餘種語言型別
- 可返回 Markdown 格式內容，將非結構化資料轉化為易於處理的結構化資料
- 識別準確率可達 90% 以上
- 文件分塊（適用於 RAG 場景）
適用場景
當用戶需要：
- 解析 PDF、Word、Excel 等格式文件
- 從文件中提取文本內容
- 識別並提取表格資料
- 分析文件結構（標題層級、章節、版面佈局）
- 對掃描件進行 OCR 文字識別
- 將文件分塊用於 RAG 應用
免費資源領取和計費說明
| 使用者型別 | 免費額度 |
|---|---|
| 個人實名認證使用者 | 200 頁 |
| 企業實名認證使用者 | 1000 頁 |
API 配置
額度獲取方式
環境變數（必須）
使用前請設定以下環境變數：
export BAIDU_DOC_AI_API_KEY="your_api_key"
export BAIDU_DOC_AI_SECRET_KEY="your_secret_key"認證方式
通過 API Key 和 Secret Key 獲取 access_token，有效期 30 天。
支援格式
版式文件：pdf, jpg, jpeg, png, bmp, tif, tiff, ofd, ppt, pptx
流式文件：doc, docx, txt, xls, xlsx, wps, html, mhtml
支援語言
CHN_ENG（中英文）、JAP（日語）、KOR（韓語）、FRE（法語）、SPA（西班牙語）、POR（葡萄牙語）、GER（德語）、ITA（義大利語）、RUS（俄語）、DAN（丹麥語）、DUT（荷蘭語）、MAL（馬來語）、SWE（瑞典語）、IND（印尼語）、POL（波蘭語）、ROM（羅馬尼亞語）、TUR（土耳其語）、GRE（希臘語）、HUN（匈牙利語）、THA（泰語）、VIE（越南語）、ARA（阿拉伯語）、HIN（印地語）
使用方式
python3 scripts/baidu_doc_parser.py --file_data <檔案的base64編碼>
python3 scripts/baidu_doc_parser.py --file_url <檔案公網URL>API 介面
文件解析 API 服務為非同步介面，需要先呼叫提交請求介面獲取 task_id，然後呼叫獲取結果介面進行結果輪詢。
提交請求介面
- HTTP 方法：POST
- 請求 URL：
https://aip.baidubce.com/rest/2.0/brain/online/v2/parser/task?access_token={token} - Content-Type：
application/x-www-form-urlencoded
獲取結果介面
- HTTP 方法：POST
- 請求 URL：
https://aip.baidubce.com/rest/2.0/brain/online/v2/parser/task/query?access_token={token} - Content-Type：
application/x-www-form-urlencoded - 請求引數：
task_id（必填，提交請求時返回的 task_id）
請求引數
檔案引數（必選，二選一）
| 引數 | 必選 | 型別 | 說明 |
|---|---|---|---|
file_data |
和 file_url 二選一 | string | 檔案 Base64 編碼資料。版式文件：pdf, jpg, jpeg, png, bmp, tif, tiff, ofd, ppt, pptx；流式文件：doc, docx, txt, xls, xlsx, wps, html, mhtml。文件大小不超過 50M，PDF 最大支援 2000 頁。若文件大小超過 50M，須從 file_url 方式上傳。優先順序：file_data > file_url |
file_url |
和 file_data 二選一 | string | 檔案資料 URL，長度不超過 1024 位元組，支援單個 URL 傳入。PDF 文件大小不超過 300MB，非 PDF 不超過 50M，PDF 最大支援 2000 頁。請注意關閉 URL 防盜鏈 |
file_name |
是 | string | 檔名，請保證檔名字尾正確，例如 "1.pdf" |
核心功能引數
| 引數 | 必選 | 型別 | 可選值範圍 | 說明 |
|---|---|---|---|---|
recognize_formula |
否 | bool | True/False | 是否對版式型別文件進行公式識別 |
analysis_chart |
否 | bool | True/False | 是否對統計圖表進行解析 |
angle_adjust |
否 | bool | True/False | 是否對圖片進行角度矯正 |
parse_image_layout |
否 | bool | True/False | 是否返回文件中的圖片位置資訊 |
語言與格式引數
| 引數 | 必選 | 型別 | 說明 |
|---|---|---|---|
language_type |
否 | string | 識別語種類型，預設為 CHN_ENG（中英文） |
switch_digital_width |
否 | string | 是否對數字進行全半形轉換，預設為 auto。可選：auto（不轉換）、half（半形輸出）、full（全形輸出） |
html_table_format |
否 | bool | 是否將識別出的表格轉換為 HTML 格式返回，default=True |
文件分塊引數
return_doc_chunks 為字典型別，用於返回文件切分後的片段資料（按語義、字數、標點）：
| 引數 | 必選 | 型別 | 預設值 | 說明 |
|---|---|---|---|---|
switch |
否 | bool | False | 是否進行文件內容切分 |
split_type |
否 | str | chunk | 切分方式：chunk（按 chunk_size 來切）/ mark（按 separators 來切） |
separators |
否 | list | ['。','；','！','？',';','!','?'] | 切分標點 |
chunk_size |
否 | int | -1 | 切分塊的大小，-1 表示按照語義自動切分，不限定塊的大小 |
返回結構
提交請求返回
| 欄位 | 型別 | 說明 |
|---|---|---|
log_id |
uint64 | 唯一的 log id，用於問題定位 |
error_code |
int | 錯誤碼 |
error_msg |
string | 錯誤描述資訊 |
result.task_id |
string | 該請求生成的 task_id，後續使用該 task_id 獲取審查結果 |
獲取結果返回
| 欄位 | 型別 | 說明 |
|---|---|---|
log_id |
uint64 | 唯一的 log id |
error_code |
int | 錯誤碼 |
error_msg |
string | 錯誤描述資訊 |
result.task_id |
string | 任務 ID |
result.status |
string | 任務狀態：pending（排隊中）、processing（執行中）、success（成功）、failed（失敗） |
result.task_error |
string | 解析報錯資訊，包含任務失敗、額度不夠 |
result.markdown_url |
string | 文件解析結果的 Markdown 格式連結，連結有效期 30 天 |
result.parse_result_url |
string | 文件解析結果的 BOS 連結（JSON），連結有效期 30 天 |
解析結果 JSON 結構（parse_result_url）
頂層結構
| 欄位 | 型別 | 說明 |
|---|---|---|
file_name |
string | 文件名稱 |
file_id |
string | 文件 ID |
pages |
list | 檔案單頁解析內容 |
chunks |
list | 檔案內容切分結果（return_doc_chunks.switch=True 時有值） |
頁面物件（pages[]）
| 欄位 | 型別 | 說明 |
|---|---|---|
page_id |
string | 頁碼 ID |
page_num |
int | 頁碼數 |
text |
string | 當前頁的所有純文字內容 |
layouts |
list | 頁面內容版式分析的結果 |
tables |
list | 頁面表格解析結果 |
images |
list | 頁面中圖片解析結果 |
meta |
dict | 頁元資訊 |
頁面元資訊（meta）
| 欄位 | 型別 | 說明 |
|---|---|---|
page_width |
int | 頁面寬度 |
page_height |
int | 頁面高度 |
is_scan |
bool | 是否掃描件 |
page_angle |
int | 頁面傾斜角度 |
page_type |
string | 頁面屬性：text（正文）、contents（目錄）、appendix（附錄）、others（其他） |
sheet_name |
string | Excel 的 sheet 名 |
版面元素（layouts[]）
| 欄位 | 型別 | 說明 |
|---|---|---|
layout_id |
string | layout 元素唯一標誌，格式 "xxxxx-layout-{global_layout_index}" |
text |
string | layout 對應的文本內容。注：當 type 為 table/image 時該欄位為空，需根據 type 和 layout_id 分別到 tables/images 欄位裡找到對應內容 |
position |
list | 元素在頁面中的位置 [x, y, w, h]，左上角和寬高 |
type |
string | 版面元素型別（見下表） |
sub_type |
string | 版面元素子型別（見下表） |
parent |
string | 標題層級樹中父節點的 layout_id，若為一級標題則 parent 為 "root" |
children |
list | 標題層級樹中子節點的 layout_id 列表 |
版面型別（type）：
| 型別 | 說明 |
|---|---|
para |
段落 |
table |
表格 |
image |
文件中的插圖 |
head_tail |
頁面頂部（頁首/頁尾） |
contents |
目錄 |
seal |
印章 |
title |
標題 |
formula |
公式 |
子型別（sub_type）：
- title 類：
title_{n}（n 級標題，如 title_2 代表二級標題）、image_title（圖示題）、table_title（表標題）小蔥技能站7w4.net每天更新，海量AI技能等你發現。
- image 類：
chart（統計圖表）、figure（普通插圖）、QR_code（二維碼）、Bar_code（條形碼）
表格物件（tables[]）
| 欄位 | 型別 | 說明 |
|---|---|---|
layout_id |
string | 與 layouts 中 type 為 table 的元素的 layout ID 對應 |
markdown |
string | 表格內容的 Markdown 形式 |
table_title_id |
list | 表格標題對應的 layout_id，預設為 null |
position |
list | 邊框資料 [x, y, w, h]（以頁面座標為原點），版式格式時有效 |
cells |
list | 單元格的內版面資訊，layout 型別為表格時有值 |
matrix |
list | 二位陣列，表示表格內佈局位置資訊，每個元素對應 cells 列表中元素的索引 |
merge_table |
string | 跨頁表格標記：begin（開始）、inner（中間，超過兩頁）、end（結束）；非跨頁表格該欄位為空 |
圖片物件（images[]）
| 欄位 | 型別 | 說明 |
|---|---|---|
layout_id |
string | 與 layouts 中 type 為 image 的元素的 layout ID 對應 |
image_title_id |
list | 圖片標題對應的 layout_id，預設為 null |
position |
list | 邊框資料 [x, y, w, h] |
content_layouts |
list | 圖片的內版面資訊 |
data_url |
string | 圖片儲存連結 |
image_description |
string | 對統計圖表進行內容解析和描述，輸出結果為 JSON 字串 |
分塊物件（chunks[]）
| 欄位 | 型別 | 說明 |
|---|---|---|
chunk_id |
string | 切片的 ID |
content |
string | 切片的內容 |
type |
string | 切片型別：text 或 table |
meta.title |
list | chunk 所屬的多級標題內容 |
meta.position |
list | chunk 的位置，根據分塊演算法有可能 chunk 跨多個頁 |
meta.box |
list | chunk 的位置座標 |
meta.page_num |
int | chunk 內容所在頁數 |
API 特性
非同步處理流程
- 呼叫提交請求介面 → 獲取
task_id - 通過
task_id呼叫獲取結果介面輪詢
輪詢建議
- 提交請求後 5~10 秒開始輪詢
- 輪詢間隔：5 秒
- 最大輪詢時間：300 秒
QPS 限制
- 提交請求介面：2 QPS
- 獲取結果介面：10 QPS
檔案限制
| 限制項 | 說明 |
|---|---|
| 檔案大小（file_data） | ≤ 50MB，超過 50M 須使用 file_url |
| 檔案大小（file_url） | PDF ≤ 300MB，非 PDF ≤ 50MB |
| URL 長度 | ≤ 1024 位元組 |
| 頁數限制 | PDF ≤ 2000 頁 |
| 優先順序 | file_data > file_url（同時存在時 file_url 欄位失效） |
錯誤處理
常見錯誤碼：
| 錯誤碼 | 說明 | 解決方案 |
|---|---|---|
| 110/111 | access_token 無效或過期 | 重新獲取 access_token |
| 216200 | 檔案或 URL 為空 | 提供 file_data 或 file_url |
| 216201 | 檔案格式錯誤 | 檢查檔案格式是否支援 |
| 216202 | 檔案大小超限 | 縮減檔案大小 |
| 282000 | 內部錯誤 | 重試或聯絡技術支援 |
| 282003 | 缺少必要引數 | 檢查必填引數 |
| 282007 | 任務不存在 | 檢查 task_id 是否正確 |
| 282018 | 服務繁忙 | 降低請求頻率 |
完整錯誤碼參見 references/error_codes.md
線上除錯
可在 示例程式碼中心 申請試該介面，可進行簽名驗證、檢視線上呼叫的請求內容和返回結果、示例程式碼的自動生成。
指令碼
scripts/baidu_doc_parser.py：文件解析主程式，支援命令列快速呼叫
參考文件
references/parameters.md：完整 API 引數與返回結構詳解references/error_codes.md：完整錯誤碼參考references/apikey-fetch.md：API Key 配置指南
相關連結
🤖 AI 評測
這個Skill質量不錯，文件寫得很詳細，功能覆蓋全面。支援解析PDF、Word、圖片等多種格式，還能提取表格和文字，中英文都識別準確。配置方法清晰，提供了Python指令碼可以直接使用。不過對於普通使用者來說，缺少具體的使用示例和實際效果展示，剛接觸時可能需要花些時間理解具體怎麼用。
📊 多維度評分
適應性4.4
規範性4.5
有效性4.4
可靠性4.7
可信度5
📁 包含檔案 (6 個)
📄 SKILL.md
13.5 KB
📄 _meta.json
144 B
📄 references/apikey-fetch.md
2.4 KB
📄 references/error_codes.md
4.5 KB
📄 references/parameters.md
10.5 KB
📄 scripts/baidu_doc_parser.py
10.8 KB
