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
百度智能文档分析平台 领取免费测试资源
百度智能文档分析平台计费与购买方式
| 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
您可通过百度智能云平台获取免费额度与购买调用资源
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]（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