document-parser — 高精度文档解析

# document-parser 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 ``` document-parser parse <文件路径> [选项] ``` 示例： ``` 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 ``` 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 ``` 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 |