pr-e/skills/document-parser

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：

{
  "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 |