PDF识别提取专家

Structured Parsing#

来源: pdf-ocr-md v3.3.0 SKILL.md | 从主文件拆分，保持原内容不变

E：结构化文档解析 — 版面分析 + 表格提取#

利用 docling 进行深度版面分析, 输出结构化 Markdown 和 JSON。 保留文档的标题层级、表格、列表、图片标注等逻辑结构。

安装#

pip install docling

# docling 2.97+ 会自动安装版面分析模型

CLI 命令#

# 结构化解析为 Markdown + JSON

python scripts/pdf_parse_structured.py input.pdf -o ./output



# 禁用 OCR (文本层 PDF, 更快)

python scripts/pdf_parse_structured.py input.pdf -o ./output --no-ocr



# 仅输出 Markdown

python scripts/pdf_parse_structured.py input.pdf -o ./output --md-only



# 仅输出 JSON (含完整版面坐标)

python scripts/pdf_parse_structured.py input.pdf -o ./output --json-only



# 仅前3页

python scripts/pdf_parse_structured.py input.pdf -o ./output --pages "1-3"

输出说明#

output/
├── input.md        ← 结构化 Markdown (标题层级/表格/列表)
└── input.json      ← 完整解析结果 (含版面坐标、表格网格、元数据)

JSON 数据结构#

{

  "metadata": {

    "file": "合同.pdf",

    "pages": 17,

    "has_ocr": true

  },

  "items": [

    { "type": "heading", "text": "第一章 总则", "bbox": {...} },

    { "type": "paragraph", "text": "根据《中华人民共和国...", "bbox": {...} },

    { "type": "list", "text": "甲乙双方应遵守..." }

  ],

  "tables": [

    {

      "page": 3,

      "grid": [["项目", "金额"], ["服务费", "10000"]],

      "markdown": "| 项目 | 金额 |\n| --- | --- |\n| 服务费 | 10000 |"

    }

  ]

}

工作流集成#

# 完整管线: 预处理 → 结构化解析

python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all

python scripts/pdf_parse_structured.py ./preprocessed/input_p001.jpg -o ./output



# 也可直接解析

python scripts/pdf_parse_structured.py input.pdf -o ./output

关键特性#

特性	说明
版面分析	docling 深度学习版面分析, 识别标题/段落/表格/列表
表格提取	自动检测表格边界, 输出 Markdown 表格 + JSON 网格
标题层级	保留文档逻辑结构
元数据	页数、页码、元素统计
结构化 JSON	含 bbox 坐标, 可用于后续处理
预处理兼容	可与 D 节预处理管线串联

---