PDF 文档解析

PDF-Extract-Kit

PDF-Extract-Kit 专为从各类复杂 PDF 文档中高效提取高质量内容而设计。它具备以下特点：

能够精确还原原始文档的布局。
输出内容为 Markdown 格式，便于阅读。
输出内容按照分页、语义进行分段。
可识别数学公式。
可识别表格。
可识别多语言。

适用场景：

知识库、数据集：直接用于 AI 的 RAG、微调和机器学习等场景。
企业文档数字化：提取传统纸质文件图像或扫描版文档信息，提高企业管理数字化能力。
多语言文档处理：接口支持多种语言的文字识别，可以自动区分文档中的语言。
在科研领域，数学、物理、工程等学科中，适用于识别文档中数学公式和复杂表格。
在线文档服务与 SaaS 应用，提供一站式文档解析、格式转换和内容抽取服务。

使用方法

您可以点击 PDF-Extract-Kit 在线免费体验。以下是代码调用示例。

Bash

  curl https://ai.gitee.com/v1/async/documents/parse \
    -X POST \
    -H "Authorization: Bearer 你的私人令牌" \
    -F "model=PDF-Extract-Kit-1.0" \
    -F "is_ocr=true" \
    -F "formula_enable=true" \
    -F "table_enable=true" \
    -F "layout_model=doclayout_yolo" \
    -F "file=@path/to/file.pdf"

参数说明：

私人令牌：用于验证调用身份，点击私人令牌获取。
model：填写 PDF-Extract-Kit 使用指定的大模型。
file：需要解析的文件。
- 支持pdf, png, jpg, gif, docx, pptx 格式的文件。
- 文件不超过 100MB。
is_ocr：是否启用 ocr。false 不启用时将不会识别图片中的文字。
include_image_base64：启用后，响应的 markdown 中将内嵌 base64 图片，否则图片将上传到云存储，并提供临时链接，仅 7 日有效。
formula_enable 是否启用公式解析。
table_enable 是否启用表格解析。
language 指定文字语言用于提高识别精确度，默认不填写为自动识别。可选语言：ch、en、korean、japan、chinese_cht、ta、te、ka、latin、arabic、cyrillic、devanagari。
end_pages 要处理的页数，即处理前 N 页。
layout_model：布局分析模型。解析时，将会分析文档布局，不同模型影响生成的质量。可选：
- doclayout_yolo （默认值，更快、更准确）
- layoutlmv3 （更稳定）

使用示例

该接口为异步接口，需要先提交任务，获取到任务 ID，随后再根据 ID 轮询获取执行结果。CURL 提交任务后将会响应：

{
    "task_id": "AAC2KETEYJVKER04U6RNMHJTOGLVEG1B",
    "status": "waiting",
    "created_at": 1742885184998,
    "urls": {
        "get": "https://ai.gitee.com/api/v1/task/AAC2KETEYJVKER04U6RNMHJTOGLVEG1B",
        "cancel": "https://ai.gitee.com/api/v1/task/AAC2KETEYJVKER04U6RNMHJTOGLVEG1B/cancel"
    }
}

再根据 task_id 获取最终执行结果：

curl https://ai.gitee.com/v1/task/AAC2KETEYJVKER04U6RNMHJTOGLVEG1B/
  --header 'Authorization: Bearer 你的私人令牌'

{
    "task_id": "AAC2KETEYJVKER04U6RNMHJTOGLVEG1B",
    "output": {
        "segments": [
            {
                "index": 1,
                "content": "# 第一段 xxxx"
            },
            {
                "index": 2,
                "content": "# 第二段 xxxx"
            }
        ]
    },
    "status": "success",
    "created_at": 1742885185000,
    "started_at": 1742885188000,
    "completed_at": 1742885190000,
    "urls": {
        "get": "https://ai.gitee.com/api/v1/task/AAC2KETEYJVKER04U6RNMHJTOGLVEG1B",
        "cancel": "https://ai.gitee.com/api/v1/task/AAC2KETEYJVKER04U6RNMHJTOGLVEG1B/cancel"
    }
}

当响应中的 status 变为 success，即解析成功。output 为解析结果，segments 为解析结果分段，分段基于分页或语义逻辑进行划分。

接口参考

接口文档-异步任务

PDF 文档解析

PDF-Extract-Kit​

使用方法​

参数说明：​

使用示例​

PDF-Extract-Kit

使用方法

参数说明：

使用示例