TextIn ParseX 通用文档解析是一款大模型友好的解析工具，支持将 pdf 文档、jpg、img 图像等文件快速转换为 markdown 格式，支持各类表格、公式解析，帮助大语言模型的数据清洗和文档问答任务。
产品特点
支持多种扫描内容：能良好处理各类图片与扫描文档，包括手机照片、截屏等内容。
支持多种语言：支持简体中文/繁体中文/英文/数字/西欧主流语言/东欧主流语言等共 50+ 种语言。
表格识别效果好：能准确识别各种格式的表格，包括有线表格、无线表格、密集表格，并支持各种类型的合并单元格识别与还原。
阅读顺序还原准：能理解和还原文档的结构和元素排列，确保阅读顺序的准确性，支持多栏布局的论文、年报、业务报告等内容。
自研文档树引擎：从语义出发，提取段落 embedding 值，预测标题层级关系，通过构造文档树提高检索召回效果。
为了让用户获得文档解析引擎返回的丰富版面元素，我们开发了一系列的 sdk 函数，包括目录树、公式、表格、图片、全文 markdown 等结果的获取函数。对于 api 用户来说，评估文档解析引擎的版面分析结果准确性是困难的，可视化的前端界面可以一定程度解决定性评估的问题，另外一些场景中，用户希望能够可视化文件解析的结果，并对结果进行编辑修正，获得更高精度的解析结果，这个时候前端可视化组件就是必不可少的了。为了满足这些需求，方便用户，我们将 textin.com 上面的前端可视化组件进行了开源，请用户批评指正。
1、SDK 功能介绍
TextIn ParseX 是一套标准的多平台支持的 python sdk，帮助开发者解析 pdf_to_markdownRestful API 返回结果，获取对应的版面元素的数据结构。开发者只需在终端安装对应的依赖就可以使用。
为了方便用户获取版面元素，此次更新，调用接口增加了'page_details'参数，返回的 json 结果里面新增加了'pages'的字段。
如果报错 timeout，可以尝试国内源：
pip3 install TextInParseX -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com
复制代码
首先，你要在 textin 开通文档解析服务，然后可以在试用工作台点击用户图标，再点击账号与开发者信息（或者登陆后从 textin 首页->账户与充值->账号与开发者信息，或者点击https://www.textin.com/console/dashboard/setting）中获得 api_id 和 secret_code。
你可以通过 ParseX 直接调用 url 获取解析对象。
import TextInParseX as px
# 初始化解析器app_id = "#############################" #填入你的textin的api_id和secret——codesecret_code = "#############################"
parseX_client = px.ParseXClient(app_id, secret_code)
pdf_file_path = "example.pdf" #你的本地文件路径
#通过ParseX直接调用url获取解析对象result = parseX_client.begin_analyze_document_from_url(pdf_file_path)
复制代码
也可以参考 textin.com 的 restful api 调用，通过 python，curl，或者 postman 工具获得 api 的原始 json 文件，再通过 ParseX 解析 json 文件获得解析对象。
import TextInParseX as pximport json
json_file = 'test_json/example.json'with open(json_file, 'r') as fr: json_result = json.load(fr) parseX_client = px.ParseXClient()result = parseX_client.begin_analyze_document_from_json(json_result)
#或者直接输入json文件result = parseX_client.begin_analyze_document_from_file(json_file)
复制代码
如果你想要获得全文级别的结果，例如文档的 markdown 信息，所有文本、表格、段落、图片信息，可以如下处理：
print('Markdown:')print(result.all_markdown)print("\n")
print("All text in document:")#为可视化方便, 输出0-1000个字符parseX_client.print_all_elements(result.all_text, 0, 1000)print("\n")print(f"Total tables in document: {len(result.all_tables)}")for index, table in enumerate(result.all_tables): print(f"Table {index}:") parseX_client.print_all_elements(table) print("\n") print(f"Total paragraphs in document: {len(result.all_paragraphs)}")for p_idx, each_paragraph in enumerate(result.all_paragraphs): print(f"\n--- Paragraph {p_idx}/{len(result.all_paragraphs)} ---") print(f"Paragraph position: {each_paragraph.pos}") for l_idx, each_line in enumerate(each_paragraph.lines): print(f" Line {l_idx}/{len(each_paragraph.lines)}") print(f" Line positions: {each_line.pos}") print(f" Line text: {each_line.text}") print(f"Total images in document: {len(result.all_images)}")for index, image in enumerate(result.all_images): print(f"Image {index}:") parseX_client.print_all_elements(image) print("\n")
all_images_cv_mat = result.get_all_images_cv_mat()print(f"Total images (as cv::Mat) in document: {len(all_images_cv_mat)}")for idx, mat in enumerate(all_images_cv_mat): print(f"Image {idx} (cv::Mat) shape: {mat.shape}")
复制代码
分别获取每页的表格信息、图片信息，段落纯文本信息，段落坐标，每行的信息：
#页的索引指向pdf和文档的页，按照页数的规则，从1开始； table等版面元素的索引默认程序读取的规则，从0开始for page in result.pages: print(f"=== Page {page.page_id} ===") print("\n") for index, table in enumerate(page.tables): print(f"Table {index}:") parseX_client.print_all_elements(table) print("\n")
for index, image in enumerate(page.images): print(f"Image {index}:") parseX_client.print_all_elements(image) print("\n") images_cv_mat = page.get_images_cv_mat() print(f"Total images (as cv::Mat) in page {page.page_id}: {len(images_cv_mat)}") for idx, mat in enumerate(images_cv_mat): print(f"Image {idx} (cv::Mat) shape: {mat.shape}") print("\n") print("Text:") # 限定只能打印前1000个字符 parseX_client.print_all_elements(page.paragraph_text, 0, 1000) print("\n") # 获取当前页的段落 print(f"Total paragraphs: {len(page.paragraphs)}") for p_idx, each_paragraph in enumerate(page.paragraphs): print(f"\n--- Paragraph {p_idx}/{len(page.paragraphs)} ---") print(f"Paragraph position: {each_paragraph.pos}") for l_idx, each_line in enumerate(each_paragraph.lines): print(f" Line {l_idx}/{len(each_paragraph.lines)}") print(f" Line positions: {each_line.pos}") print(f" Line text: {each_line.text}") print('Finished getting paragraphs') print("\n\n")
复制代码
如果想获取每行的位置和文本，可以如下处理：
# 获取当前页的段落 print(f"Total paragraphs: {len(page.paragraphs)}") for p_idx, each_paragraph in enumerate(page.paragraphs): print(f"\n--- Paragraph {p_idx}/{len(page.paragraphs)} ---") print(f"Paragraph position: {each_paragraph.pos}") for l_idx, each_line in enumerate(each_paragraph.lines): print(f" Line {l_idx}/{len(each_paragraph.lines)}") print(f" Line positions: {each_line.pos}") print(f" Line text: {each_line.text}") print('Finished getting paragraphs') print("\n\n")
复制代码
2、前端组件功能介绍
在解析结果审核校对、效果测评等场景下，需要可视化展示文档解析后的结果。
在 TextIn.com 体验页上，我们提供丰富的可视化和交互功能，这部分前端组件现已开源！
项目用 ES6 开发，基于 React 框架。仓库地址：https://github.com/intsig-textin/parsex-frontend
目前前端组件已实现以下特性：
预览渲染主流图片格式和 pdf 文件，提供缩放和旋转功能
markdown 结果渲染，支持各级标题、图片、公式渲染展示
各类解析元素提取展示，支持查看表格、公式、图片，和原始 JSON 结果
解析元素文档位置溯源，原文画框标注各元素位置，可以点击画框跳转解析结果，也可以点击解析结果跳转原文画框
各级目录树还原展示，支持点击跳转相应章节
接口调用选项参数配置，支持配置不同参数组合，获取相应解析结果
复制和导出 markdown 文件
复制解析后的表格和图片，可以直接粘贴到 Excel 表格中
以上功能，都可以在 TextIn.com 上体验使用，地址： https://www.textin.com/console/recognition/robot_markdown?service=pdf_to_markdown
后续我们将开放更多的 sdk 函数，例如让用户获取所有的手写元素，复选框元素，也欢迎各位用户朋友给我们提更多的类似需求。
在一些国家标准、专利、扫描书的场景，用户还需要将文件解析后的结果进行校对，为了满足这样的需求，后续我们会在前端组件里面导入编辑的功能，并增加电子档 pdf 格式的导出功能。
欢迎随时与我们技术团队小伙伴探讨你的场景需求！
评论