SKILL：Bohrium PDF 解析器概述
使用 open.bohrium.com 的 PDF 解析服务解析 PDF 文档。从 PDF 中提取文本、表格、图表、公式和分子结构。两种提交方法：
URL 提交 —— 提供 PDF 下载链接（例如 arXiv 链接）
文件上传 —— 上传本地 PDF 文件
不支持 CLI —— 所有操作使用 HTTP API。
身份验证
ACCESS_KEY 从 OpenClaw 配置文件 ~/.openclaw/openclaw.json 中读取：
"bohrium-pdf-parser": {
"enabled": true,
"apiKey": "YOUR_ACCESS_KEY",
"env": {
"ACCESS_KEY": "YOUR_ACCESS_KEY"
}
}
OpenClaw 自动将 env.ACCESS_KEY 注入运行时。
常用代码模板
import os, time, requests
AK = os.environ.get("ACCESS_KEY", "")
BASE = "https://open.bohrium.com/openapi/v1/parse"
HEADERS = {"accessKey": AK}
HEADERS_JSON = {HEADERS, "Content-Type": "application/json"}
解析工作流
- 提交 PDF（URL 或文件上传）→ 获取 token
- 使用 token 查询结果 → 完成时 status == "success"
同步模式（sync=true）阻塞直到解析完成，但不包含内容在响应中 —— 您仍需要获取结果来检索它。
异步模式（sync=false，默认）需要轮询获取结果，直到状态为 success。
URL 提交
r = requests.post(f"{BASE}/trigger-url-async", headers=HEADERS_JSON, json={
"url": "https://arxiv.org/pdf/2107.06922",
"sync": False,
"textual": True,
"table": True,
"molecule": True,
"chart": True,
"figure": False,
"expression": True,
"equation": True,
"pages": [0],
# 0-indexed，省略以解析所有页面
"timeout": 1800
})
数据 = r.json()
token = 数据["token"]
print(f"Token: {token}, Status: {数据['status']}")
# Token: 57d12c5a-...，Status: undefined
响应字段：
字段 描述
token 任务标识符，用于查询结果
status 初始状态为 undefined
created_time 创建时间
time_dict 每阶段的时间（目前仅 download_pdf）
文件上传
from pathlib import Path
pdf_path = Path("./paper.pdf")
with open(pdf_path, "rb") as f:
r = requests.post(f"{BASE}/trigger-file-async", headers=HEADERS,
# 不需要 Content-Type；requests 自动处理 multipart
files={"file": (pdf_path.name, f, "application/pdf")},
data={
"sync": "false",
"textual": "true",
"table": "true",
"molecule": "true",
"chart": "true",
"figure": "false",
"expression": "true",
"equation": "true",
"pages": 0,
# multipart 只接受单个整数
"timeout": 1800
})
token = r.json()["token"]
重要：在 multipart/form-data 中，pages 只接受单个整数（例如 0），而不是 JSON 数组 [0]，否则会出现 int_parsing 错误。在 JSON 请求体中，数组如 [0, 1, 2] 是支持的。
查询解析结果
r = requests.post(f"{BASE}/get-result", headers=HEADERS_JSON, json={
"token": token,
"content": True,
# 返回提取的文本
"objects": False,
# 返回提取的对象（表格、图像等）
"pages_dict": True
# 返回每页结果
})
数据 = r.json()
print(f"Status: {数据['status']}, Content length: {len(数据.get('content', ''))}")
响应字段：
字段 描述
status 成功 / 未定义（处理中）/ 失败
token 任务标识符
content 提取的文本（LaTeX 标记格式）
pages_dict 每页结果字典
lang 检测到的语言（en / zh 等）
proc_page / total_page 处理的 / 总页数
proc_textual / total_textual 处理的 / 总文本块数
proc_table / total_table 处理的 / 总表格数
proc_mol / total_mol 处理的 / 总分子数
proc_equa / total_equa 处理的 / 总方程数
time_dict 每阶段的时间详细信息
cost 成本
完全异步轮询示例
import os, time, requests
AK = os.environ.get("ACCESS_KEY", "")
BASE = "https://open.bohrium.com/openapi/v1/parse"
HEADERS = {"accessKey": AK}
HEADERS_JSON = {HEADERS, "Content-Type": "application/json"}
# 1. 提交
r = requests.post(f"{BASE}/trigger-url-async", headers=HEADERS_JSON, json={
"url": "https://arxiv.org/pdf/2107.06922",
"sync": False,
"textual": True,
"table": True,
"molecule": False,
"chart": False,
"figure": False,
"expression": True,
"equation": True,
"pages": [0],
"timeout": 1800
})
submit = r.json()
if submit.get("code"):
print(f"提交失败：{submit.get('message')}")
exit(1)
token = submit["token"]
print(f"已提交，token={token}")
# 2. 轮询结果
for attempt in range(30):
time.sleep(2)
r = requests.post(f"{BASE}/get-result", headers=HEADERS_JSON, json={
"token": token,
"content": True,
"objects": False,
"pages_dict": False
})
result = r.json()
status = result.get("status", "")
print(f" [{attempt+1}] status={status}")
if status == "success":
print(f"完成！内容长度：{len(result.get('content', ''))}")
by