百度文档解析pipeline-parser
📄 办公效率
免费
🔑 需 API Key
📖 技能介绍
name: baidu-doc-pipeline-parser 百度文档解析 description: 调用百度文档解析API解析文档。支持PDF、Word、Excel、PPT、图片等18+格式。提取文本、表格、版面分析、OCR识别及RAG文档分块。当用户需要解析文档、提取文本/表格、分析文档结构、处理扫描件时使用。触发词：文档解析、PDF解析、Word解析、表格提取、OCR、文档分析、提取文本、文档结构、扫描识别。 license: MIT
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
免费资源领取和计费说明
| 用户类型 | 免费额度 |
|---|---|
| 个人实名认证用户 | 200 页 |
| 企业实名认证用户 | 1000 页 |
API 配置
额度获取方式
环境变量（必须）
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
想要更强大的技能插件，就来小葱技能站7w4.net看看吧。
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]（以页面坐标为原点），版式格式时有效 |
cells |
list | 单元格的内版面信息，layout 类型为表格时有值 |
matrix |
list | 二位数组，表示表格内布局位置信息，每个元素对应 cells 列表中元素的索引 |
merge_table |
string | 跨页表格标记：begin（开始）、inner（中间，超过两页）、end（结束）；非跨页表格该字段为空 |
图片对象（images[]）
| 字段 | 类型 | 说明 |
|---|---|---|
layout_id |
string | 与 layouts 中 type 为 image 的元素的 layout ID 对应 |
image_title_id |
list | 图片标题对应的 layout_id，默认为 null |
position |
list | 边框数据 [x, y, w, h] |
content_layouts |
list | 图片的内版面信息 |
data_url |
string | 图片存储链接 |
image_description |
string | 对统计图表进行内容解析和描述，输出结果为 JSON 字符串 |
分块对象（chunks[]）
| 字段 | 类型 | 说明 |
|---|---|---|
chunk_id |
string | 切片的 ID |
content |
string | 切片的内容 |
type |
string | 切片类型：text 或 table |
meta.title |
list | chunk 所属的多级标题内容 |
meta.position |
list | chunk 的位置，根据分块算法有可能 chunk 跨多个页 |
meta.box |
list | chunk 的位置坐标 |
meta.page_num |
int | chunk 内容所在页数 |
API 特性
异步处理流程
- 调用提交请求接口 → 获取
task_id - 通过
task_id调用获取结果接口轮询
轮询建议
- 提交请求后 5~10 秒开始轮询
- 轮询间隔：5 秒
- 最大轮询时间：300 秒
QPS 限制
- 提交请求接口：2 QPS
- 获取结果接口：10 QPS
文件限制
| 限制项 | 说明 |
|---|---|
| 文件大小（file_data） | ≤ 50MB，超过 50M 须使用 file_url |
| 文件大小（file_url） | PDF ≤ 300MB，非 PDF ≤ 50MB |
| URL 长度 | ≤ 1024 字节 |
| 页数限制 | PDF ≤ 2000 页 |
| 优先级 | file_data > file_url（同时存在时 file_url 字段失效） |
错误处理
常见错误码：
| 错误码 | 说明 | 解决方案 |
|---|---|---|
| 110/111 | access_token 无效或过期 | 重新获取 access_token |
| 216200 | 文件或 URL 为空 | 提供 file_data 或 file_url |
| 216201 | 文件格式错误 | 检查文件格式是否支持 |
| 216202 | 文件大小超限 | 缩减文件大小 |
| 282000 | 内部错误 | 重试或联系技术支持 |
| 282003 | 缺少必要参数 | 检查必填参数 |
| 282007 | 任务不存在 | 检查 task_id 是否正确 |
| 282018 | 服务繁忙 | 降低请求频率 |
完整错误码参见 references/error_codes.md
在线调试
可在 示例代码中心 申请试该接口，可进行签名验证、查看在线调用的请求内容和返回结果、示例代码的自动生成。
脚本
scripts/baidu_doc_parser.py：文档解析主程序，支持命令行快速调用
参考文档
references/parameters.md：完整 API 参数与返回结构详解references/error_codes.md：完整错误码参考references/apikey-fetch.md：API Key 配置指南
相关链接
🤖 AI 评测
这个Skill质量不错，文档写得很详细，功能覆盖全面。支持解析PDF、Word、图片等多种格式，还能提取表格和文字，中英文都识别准确。配置方法清晰，提供了Python脚本可以直接使用。不过对于普通用户来说，缺少具体的使用示例和实际效果展示，刚接触时可能需要花些时间理解具体怎么用。
📊 多维度评分
适应性4.4
规范性4.5
有效性4.4
可靠性4.7
可信度5
📁 包含文件 (6 个)
📄 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
