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200 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：

bash

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#

bash

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_urlfile_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boolTrue/False是否对版式类型文档进行公式识别analysis_chart否boolTrue/False是否对统计图表进行解析angle_adjust否boolTrue/False是否对图片进行角度矫正parse_image_layout否boolTrue/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boolFalse是否进行文档内容切分split_type否strchunk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_iduint64唯一的 log id，用于问题定位error_codeint错误码error_msgstring错误描述信息result.task_idstring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_iduint64唯一的 log iderror_codeint错误码error_msgstring错误描述信息result.task_idstring任务 IDresult.statusstring任务状态：pending（排队中）、processing（运行中）、success（成功）、failed（失败）result.task_errorstring解析报错信息，包含任务失败、额度不够result.markdown_urlstring文档解析结果的 Markdown 格式链接， 链接有效期 30 天result.parse_result_urlstring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_namestring文档名称file_idstring文档 IDpageslist文件单页解析内容chunkslist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_idstring页码 IDpage_numint页码数，从 0 开始textstring当前页的所有纯文字内容，含表格 Markdownlayoutslist页面内容版式分析的结果tableslist页面表格解析结果imageslist页面中图片解析结果metadict页元信息

页面元信息（meta）

字段类型说明page_widthint页面宽度page_heightint页面高度is_scanbool是否扫描件page_angleint页面倾斜角度page_typestring页面属性：text（正文）、contents（目录）、appendix（附录）、others（其他）sheet_namestringExcel 的 sheet 名

版面元素（layouts[]）

字段类型说明layout_idstringlayout 元素唯一标志，格式 "xxxxx-layout-{global_layout_index}"textstringlayout 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positionlist元素在页面中的位置 [x, y, w, h]，左上角和宽高typestring版面元素类型（见下表）sub_typestring版面元素子类型（见下表）parentstring标题层级树中父节点的 layout_id，若为一级标题则 parent 为 "root"childrenlist标题层级树中子节点的 layout_id 列表

版面类型（type）：

类型说明text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hand_sign手写签名

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_idstring与 layouts 中 type 为 table 的元素的 layout ID 对应markdownstring表格内容的 Markdown 形式table_title_idlist表格标题对应的 layout_id，默认为 nullpositionlist边框数据 [x, y, w, h]（以页面坐标为原点），版式格式时有效cellslist单元格的内版面信息，layout 类型为表格时有值matrixlist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_tablestring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_idstring与 layouts 中 type 为 image 的元素的 layout ID 对应image_title_idlist图片标题对应的 layout_id，默认为 nullpositionlist边框数据 [x, y, w, h]content_layoutslist图片的内版面信息data_urlstring图片存储链接image_descriptionstring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_idstring切片的 IDcontentstring切片的内容typestring切片类型：text 或 tablemeta.titlelistchunk 所属的多级标题内容meta.positionlistchunk 的位置，根据分块算法有可能 chunk 跨多个页meta.boxlistchunk 的位置坐标meta.page_numintchunk 内容所在页数

API 特性#

异步处理流程#

1. 调用提交请求接口 → 获取 task_id
2. 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 ≤ 50MBURL 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110/111access_token 无效或过期重新获取 access_token216200文件或 URL 为空提供 file_data 或 file_url216201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#

• 官方 API 文档
• 百度云控制台
• 智能文档分析平台