你有一份待查收的 TextIn 文档解析内测邀请函！

作者：合合技术团队

2025-01-13
上海
本文字数：2166 字
阅读完需：约 7 分钟

近期，为便捷智能文档处理流程，TextIn 文档解析推出内测版本，支持内置参数，完成去水印与切边矫正处理，有效提升解析准确率与输出结果质量。

如何获得内测资格： 内测功能以白名单邀请制的形式进行小范围测试，如有需要，请在公众号后台或扫描文末二维码联系我们进行开通。

内测功能详情见下：

1 内置参数，去除图片和 PDF 水印

实操场景下，部分带有明显水印的文件，会在解析过程中由于水印干扰产生错漏字现象。

TextIn ParseX 将去水印功能内置到了产品中，帮助提升解析效果，减少文件另行去水印带来的时间消耗，同时也让代码编写更为便捷。

使用示例：

步骤一：登录 TextIn 官网 TextIn - API 中心，获取 app-id 和 secret-code。

步骤二：调用官方示例代码：

import requestsimport json
def get_file_content(filePath):    with open(filePath, 'rb') as fp:        return fp.read()
class TextinOcr(object):    def __init__(self, app_id, app_secret):        self._app_id = app_id        self._app_secret = app_secret        self.host = 'https://api.textin.com'
    def recognize_pdf2md(self, image, options):        """        pdf to markdown        :param options: request params        :param image: file bytes        :return: response
        options = {            'pdf_pwd': None,            'dpi': 144,  # 设置dpi为144            'page_start': 0,            'page_count': 1000,  # 设置解析的页数为1000页            'apply_document_tree': 0,            'markdown_details': 1,            'page_details': 0,  # 不包含页面细节信息            'table_flavor': 'md',            'get_image': 'none',            'parse_mode': 'scan',  # 解析模式设为scan        }        """        url = self.host + '/ai/service/v1/pdf_to_markdown'        headers = {            'x-ti-app-id': self._app_id,            'x-ti-secret-code': self._app_secret        }
        return requests.post(url, data=image, headers=headers, params=options)
if __name__ == "__main__":    # 请登录后前往 “工作台-账号设置-开发者信息” 查看 app-id/app-secret    textin = TextinOcr('#####c07db002663f3b085#####', '######1b1b11a9f9bcd7cc7b######')
    image = get_file_content('file/example.pdf')
    resp = textin.recognize_pdf2md(image, {        'page_start': 0,        'page_count': 1000,  # 设置解析页数为1000页        'table_flavor': 'md',        'parse_mode': 'scan',  # 设置解析模式为scan模式        'page_details': 0,  # 不包含页面细节        'markdown_details': 1,        'apply_document_tree': 1,        'dpi': 144  # 分辨率设置为144 dpi    })    print("request time: ", resp.elapsed.total_seconds())
    result = json.loads(resp.text)    with open('result.json', 'w', encoding='utf-8') as fw:        json.dump(result, fw, indent=4, ensure_ascii=False)

复制代码

步骤三：将下列去水印的参数集成到代码中，替换上述源代码中的 48-62 行

resp = textin.recognize_pdf2md(image, {        'remove_watermark':1, # 去水印功能的控制参数        'get_image': 'objects'    })result = json.loads(resp.text)filepath = 'pdf2md_remove_watermark.md'with open(filepath, 'w', encoding='utf-8') as f:            f.write(result['result']['markdown'])

复制代码

步骤四：运行最终替换好的代码并得到去水印后识别更精准的解析文件。

效果示例:

可以看到，不仅解析结果中全文没有出现水印上的文字内容，还一并去除了图片上的水印，用户可以轻松提取到干净的文字及插图。

注意事项:

去水印参数支持图片、PDF、word 文件；
目前去水印的能力擅长解决倾斜文本，对于图片类、logo 文字、横排文字的去除效果有待提升，还请理解。

2 内置图片切边矫正参数，提升识别效果

内测版本还支持用户内置图片切边矫正能力，用于提升拍摄角度不正或歪曲变形的照片的识别效果。

常用场景：医疗报告单据、征信报告、作业照片等

使用示例：

步骤一：登录 TextIn 官网 TextIn - API 中心，获取 app-id 和 secret-code。

步骤二：调用官方示例代码

步骤三：将下列切边矫正增强功能的参数集成到代码中，一键替代源代码中的 48-62 列

resp = textin.recognize_pdf2md(image, {        'crop_enhance':1, # 切边矫正增强功能的控制参数    })result = json.loads(resp.text)filepath = 'pdf2md_remove_watermark.md'with open(filepath, 'w', encoding='utf-8') as f:            f.write(result['result']['markdown'])

复制代码

步骤四：运行最终替换好的代码并得到切边矫正后识别更精准的解析文件。