百度文档解析（PaddleOCR-VL）Skill#

基于 PaddleOCR-VL-1.6 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-1.6-0.9B 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
• 100+ 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100+ 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

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）#

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。所有接口请求需以 URL 参数 access_token 携带。

支持格式#

版式文档：pdf, jpg, jpeg, png, bmp, tif, tiff, ofd（图片最长边不大于 8192px）

流式文档：doc, docx, txt, wps, ppt, pptx

支持语言#

100+ 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#

bash

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

Python 示例

python

import requests, os, base64

def create_task(url, file_path, file_url):
    with open(file_path, "rb") as f:
        file_data = base64.b64encode(f.read())
    data = {
        "file_data": file_data,
        "file_url": file_url,
        "file_name": os.path.basename(file_path)
    }
    headers = {'Content-Type': 'application/x-www-form-urlencoded'}
    return requests.post(url, headers=headers, data=data)

request_host = "https://aip.baidubce.com/rest/2.0/brain/online/v2/paddle-vl-parser/task?access_token={token}"
response = create_task(request_host, "./test.pdf", "")
print(response.json())

成功响应示例：

json

{
  "error_code": 0,
  "error_msg": "",
  "log_id": "10138598131137362685273505665433",
  "result": { "task_id": "task-3zy9Bg8CHt1M4pPOcX2q5bg28j26801S" }
}

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）

Python 示例

python

import requests

def query_task(url, task_id):
    data = {"task_id": task_id}
    headers = {'Content-Type': 'application/x-www-form-urlencoded'}
    return requests.post(url, headers=headers, data=data)

request_host = "https://aip.baidubce.com/rest/2.0/brain/online/v2/paddle-vl-parser/task/query?access_token={access_token}"
resp = query_task(request_host, "task_id")
print(resp.json())

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 8192px）；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_urlfile_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

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

获取结果返回#

字段类型说明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（任务失败、额度耗尽等）result.markdown_urlstringMarkdown 格式结果链接， 有效期 30 天result.parse_result_urlstringJSON 格式结果 BOS 链接， 有效期 30 天

解析结果 JSON 结构（parse_result_url）#

顶层字段： file_name、 file_id、 pages[]。

页面对象（pages[]）

字段类型说明page_idstring页码 IDpage_numint页码数textstring当前页所有纯文字内容layoutslist版式分析结果tableslist表格解析结果imageslist图片解析结果metadict页面元信息（page_width, page_height）

版面元素（layouts[]）

字段类型说明layout_idstring唯一标志，格式 "xxxxx-layout-{global_layout_index}"textstring文本内容（type 为 table/image 时为空）positionlist位置 [x, y, w, h]polygonlist顶点坐标列表，可围合成多边形span_boxeslist行信息（开启 return_span_boxes 后生效），含 text 和 locationtypestring版面元素类型（见下表）sub_typestring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（tables[]）

字段类型说明layout_idstring对应 layouts 中 type 为 table 的 layout IDmarkdownstring表格 Markdown 形式positionlist边框数据 [x, y, w, h]cellslist单元格内版面信息（扁平列表）matrixlist2D 单元格索引矩阵，元素为 cells 数组下标；相同下标重复出现表示合并单元格merge_tablestring合并标识（开启 merge_tables 后）：begin（开始）、end（结束）

图片对象（images[]）

字段类型说明layout_idstring对应 layouts 中 type 为 image 的 layout IDpositionlist边框数据 [x, y, w, h]data_urlstring图片存储链接image_descriptionstring统计图表内容解析（JSON 字符串，需 json.loads 解析）

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： 5 QPS

文件限制#

限制项说明图片大小≤ 10M，最长边 ≤ 8192px版式文档大小≤ 100M流式文档大小≤ 50MPDF 页数≤ 500 页URL 长度≤ 1024 字节优先级file_data > file_url

错误处理#

常见错误码示例：

错误码说明282003missing parameters（缺少必要参数）282007task not exist, please check task id（任务不存在）

完整错误码参见 references/error_codes.md 及 OCR 错误码文档。

失败响应示例：

json

{
  "log_id": "13665091038742503867108513247608",
  "error_code": "282007",
  "error_msg": "task not exist, please check task id",
  "result": "null"
}

产品计费与购买方式#

数据来源： 百度智能云 OCR 计费说明

免费额度#

登录 文字识别控制台 自动领取：

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

新人优惠#

限时活动价 9 元/千页，面向新用户。

预付费资源包#

有效期 1 年，到期未抵扣额度作废。购买后 7 天内若未产生调用可自助退订。

规格（页）原价（元）现价（元）5,00042523010,00080044050,0003,7502,000100,0007,7003,800200,00014,3007,200500,00033,00017,0001,000,00054,00032,0002,000,000（新增）—62,0005,000,000210,000150,000

按量后付费#

• 不限月调用量
• 原价 0.09 元/页，现价 0.05 元/页
• 仅成功调用计费， 调用失败不计费

购买入口#

• 购买资源包 / 开通后付费：均通过 百度智能云控制台 文字识别产品页面进行
• 退订：资源包购买后 7 天内未产生调用可前往"退订管理页面"自助退订

脚本#

• scripts/baidu_doc_vlm_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#

• 官方技术文档
• 产品计费与购买
• 百度云控制台
• 智能文档分析平台