references/structured-parsing.md
2.5 KB查看排版效果| 1 | # Structured Parsing |
| 2 | |
| 3 | > 来源: pdf-ocr-md v3.3.0 SKILL.md | 从主文件拆分，保持原内容不变 |
| 4 | |
| 5 | ## E：结构化文档解析 — 版面分析 + 表格提取 |
| 6 | |
| 7 | 利用 docling 进行深度版面分析, 输出结构化 Markdown 和 JSON。 |
| 8 | 保留文档的标题层级、表格、列表、图片标注等逻辑结构。 |
| 9 | |
| 10 | ### 安装 |
| 11 | |
| 12 | ```bash |
| 13 | pip install docling |
| 14 | # docling 2.97+ 会自动安装版面分析模型 |
| 15 | ``` |
| 16 | |
| 17 | ### CLI 命令 |
| 18 | |
| 19 | ```bash |
| 20 | # 结构化解析为 Markdown + JSON |
| 21 | python scripts/pdf_parse_structured.py input.pdf -o ./output |
| 22 | |
| 23 | # 禁用 OCR (文本层 PDF, 更快) |
| 24 | python scripts/pdf_parse_structured.py input.pdf -o ./output --no-ocr |
| 25 | |
| 26 | # 仅输出 Markdown |
| 27 | python scripts/pdf_parse_structured.py input.pdf -o ./output --md-only |
| 28 | |
| 29 | # 仅输出 JSON (含完整版面坐标) |
| 30 | python scripts/pdf_parse_structured.py input.pdf -o ./output --json-only |
| 31 | |
| 32 | # 仅前3页 |
| 33 | python scripts/pdf_parse_structured.py input.pdf -o ./output --pages "1-3" |
| 34 | ``` |
| 35 | |
| 36 | ### 输出说明 |
| 37 | |
| 38 | ``` |
| 39 | output/ |
| 40 | ├── input.md ← 结构化 Markdown (标题层级/表格/列表) |
| 41 | └── input.json ← 完整解析结果 (含版面坐标、表格网格、元数据) |
| 42 | ``` |
| 43 | |
| 44 | ### JSON 数据结构 |
| 45 | |
| 46 | ```json |
| 47 | { |
| 48 | "metadata": { |
| 49 | "file": "合同.pdf", |
| 50 | "pages": 17, |
| 51 | "has_ocr": true |
| 52 | }, |
| 53 | "items": [ |
| 54 | { "type": "heading", "text": "第一章 总则", "bbox": {...} }, |
| 55 | { "type": "paragraph", "text": "根据《中华人民共和国...", "bbox": {...} }, |
| 56 | { "type": "list", "text": "甲乙双方应遵守..." } |
| 57 | ], |
| 58 | "tables": [ |
| 59 | { |
| 60 | "page": 3, |
| 61 | "grid": [["项目", "金额"], ["服务费", "10000"]], |
| 62 | "markdown": "| 项目 | 金额 |\n| --- | --- |\n| 服务费 | 10000 |" |
| 63 | } |
| 64 | ] |
| 65 | } |
| 66 | ``` |
| 67 | |
| 68 | ### 工作流集成 |
| 69 | |
| 70 | ```bash |
| 71 | # 完整管线: 预处理 → 结构化解析 |
| 72 | python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all |
| 73 | python scripts/pdf_parse_structured.py ./preprocessed/input_p001.jpg -o ./output |
| 74 | |
| 75 | # 也可直接解析 |
| 76 | python scripts/pdf_parse_structured.py input.pdf -o ./output |
| 77 | ``` |
| 78 | |
| 79 | ### 关键特性 |
| 80 | |
| 81 | | 特性 | 说明 | |
| 82 | |------|------| |
| 83 | | 版面分析 | docling 深度学习版面分析, 识别标题/段落/表格/列表 | |
| 84 | | 表格提取 | 自动检测表格边界, 输出 Markdown 表格 + JSON 网格 | |
| 85 | | 标题层级 | 保留文档逻辑结构 | |
| 86 | | 元数据 | 页数、页码、元素统计 | |
| 87 | | 结构化 JSON | 含 bbox 坐标, 可用于后续处理 | |
| 88 | | 预处理兼容 | 可与 D 节预处理管线串联 | |
| 89 | |
| 90 | --- |
文件内容是平台检查时读出的文本，只供查看。平台不会运行包里的任何脚本或程序。
