百度文档解析vlm-parser — 百度文档解析使用vlm-parser

百度文档解析（PaddleOCR-VL）Skill 基于 PaddleOCR-VL-1.5 多模态大模型，提供开箱即用的文档智能解析能力。

功能概述 PaddleOCR-VL-1.5-0.9B 是多模态文档解析领域的 SOTA 方案，具备： 全要素精准解析：高效识别印刷文本、手写文本、表格、公式、图表、印章等复杂文档元素 智能阅读顺序：基于人类阅读习惯推断内容排列顺序，将零散页面信息转化为有序带标签的结构化元素序列 行级别坐标：支持精准的行级别坐标输出 111 种语言：覆盖中、英、日、韩、拉丁文等全球化多语种文档 不规则布局定位：攻克复杂版面解析难点 长文档跨页解析：支持跨页表格合并等企业级场景 直接 Markdown/JSON 输出：无需额外处理

与文档解析（标准版）的区别 特性 | PaddleOCR-VL（本 Skill） | 标准版（pipeline-parser） ---|---|--- 底层模型 | 多模态大模型 VLM | 传统 Pipeline 语言支持 | 111 种 | 20+ 种 公式/图片识别 | 默认开启，无需配置 | 需手动开启参数 语种识别 | 自动识别，无需指定 | 需指定 language_type 版面类型 | 24 种细粒度类型 | 8 种基础类型 行坐标 | 支持 | 不支持 多边形坐标 | 支持（polygon） | 仅矩形框 文件大小 | 版式 ≤100M，PDF ≤500 页 | PDF ≤300M，≤2000 页

适用场景 当用户需要： 解析复杂版面文档（多栏、不规则布局） 精准识别手写文本、数学公式、图表 处理多语种混合文档 获取行级别坐标信息 长文档跨页表格合并 免配置自动识别文档内容

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（图片最长边不大于 4096px） 流式文档：doc, docx, txt, wps, ppt, pptx

支持语言 111 种语言，包括中文、英文、日文、韩文、拉丁文等，无需手动指定，大模型自动识别。

使用方式 python3 scripts/baidu_doc_vlm_parser.py --file_data <文件的base64编码> --file_name "test.pdf" python3 scripts/baidu_doc_vlm_parser.py --file_url <文件公网URL> --file_name "test.pdf"

API 接口 文档解析（PaddleOCR-VL）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/paddle-vl-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/paddle-vl-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（图片最长边不大于 4096px）；流式文档：doc, docx, txt, wps, ppt, pptx。图片不超过 10M，版式文档不超过 100M，流式文档不超过 50M，PDF 最大 500 页。超过 50M 须使用 file_url。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。PDF 文档不超过 100M，最大 500 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"

功能参数 参数 | 必选 | 类型 | 说明 ---|---|---|--- recognize_formula | - | bool | 无需开启，大模型默认对版式类型文档进行公式识别 analysis_chart | 否 | bool | 是否对统计图表进行解析 parse_image_layout | - | bool | 无需开启，大模型默认解析文档中的所有图片 language_type | - | string | 无需开启，大模型默认识别语种类型 merge_tables | 否 | bool | 是否将跨页表格合并输出，开启后 tables 内返回跨页表格合并标识 relevel_titles | 否 | bool | 是否对段落标题（paragraph_title）进行分级，开启后在 sub_type 中输出标题级别 recognize_seal | 否 | bool | 是否识别印章内容 return_span_boxes | 否 | bool | 是否返回行坐标

文档分块参数 return_doc_chunks 为字典类型： 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 chunk_size | 否 | int | -1 | 切分块的大小，-1 表示按照语义自动切分

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

获取结果返回 字段 | 类型 | 说明 ---|---|--- 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 result.markdown_url | string | Markdown 格式结果链接，有效期 30 天 result.parse_result_url | string | JSON 格式结果 BOS 链接，有效期 30 天

解析结果 JSON 结构（parse_result_url） 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 | 当前页所有纯文字内容 layouts | list | 版式分析结果 tables | list | 表格解析结果 images | list | 图片解析结果 meta | dict | 页面元信息（page_width, page_height）

版面元素（layouts[]） 字段 | 类型 | 说明 ---|---|--- layout_id | string | 唯一标志，格式 "xxxxx-layout-{global_layout_index}" text | string | 文本内容（type 为 table/image 时为空） position | list | 位置 [x, y, w, h] polygon | list | 顶点坐标列表，可围合成多边形 span_boxes | list | 行信息（开启 return_span_boxes 后生效），含 text 和 location type | string | 版面元素类型（见下表） sub_type | string | 标题层级（开启 relevel_titles 后生效）

版面类型（type）— 24 种细粒度类型： 类型 | 说明 ---|--- text | 文本 table | 表格 image | 图片 chart | 图表 doc_title | 文档标题 paragraph_title | 段落标题 figure_title | 图片标题 display_formula | 公式 inline_formula | 行内公式 formula_number | 公式编号 header | 页眉 footer | 页脚 header_image | 页眉图片 footer_image | 页脚图片 number | 页码 abstract | 摘要 algorithm | 算法 aside_text | 旁注文本 content | 目录 footnote | 脚注 reference | 参考文献 reference_content | 参考文献内容 seal | 印章 vertical_text | 竖排文本

表格对象