百度文档解析pipeline-parser 可以翻译为：百度文档解析管道解析器（pipeline-parser）

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