百度文档解析unlimited-ocr-parser

百度文档解析（Unlimited-OCR）Skill

基于 Unlimited-OCR 开源方案的标准化 API 服务，无需部署即可调用，直接返回 Markdown 结构化结果。

功能概述

Unlimited-OCR 是基于开源方案打造的文档解析 API，具备：

• 开箱即用：无需自行部署模型，云端一键调用
• Markdown 直出：解析结果为 Markdown 结构化文本，内嵌 HTML `` 支持复杂表格（rowspan/colspan、居中、换行）
• 异步任务架构：提交任务 → 轮询结果，适合批量处理
• 多格式支持：PDF、Word、PPT、图片等主流格式
• 长文档友好：单 PDF 最大 500 页

适用场景

当用户需要：

• 快速将 PDF/图片/Word/PPT 转换为 Markdown
• 处理含复杂表格（合并单元格、多层表头）的文档
• 免部署快速集成 OCR 能力
• 结构化解析长文档

与 PaddleOCR-VL 的区别

API 配置

环境变量（必须）

使用前请设置以下环境变量：

export BAIDU_DOC_AI_API_KEY="your_api_key"
export BAIDU_DOC_AI_SECRET_KEY="your_secret_key"

认证方式

通过 API Key 和 Secret Key 换取 access_token（OAuth 2.0，有效期 30 天）。所有接口请求需以 URL 参数 access_token 携带。

OAuth Token 端点：https://aip.baidubce.com/oauth/2.0/token（grant_type=client_credentials）

支持格式

版式文档：pdf, jpg, jpeg, png, bmp, tif, tiff, ofd（图片最长边不大于 8192px）

流式文档：doc, docx, txt, wps, ppt, pptx

使用方式

python3 scripts/baidu_doc_unlimited_ocr_parser.py --file_data <文件的base64编码> --file_name "test.pdf"
python3 scripts/baidu_doc_unlimited_ocr_parser.py --file_url <文件公网URL> --file_name "test.pdf"

API 接口

Unlimited-OCR 是异步接口，需先调用提交请求接口获取 task_id，再调用获取结果接口轮询结果。

提交请求接口

• HTTP 方法：POST
• 请求 URL：https://aip.baidubce.com/rest/2.0/brain/online/v2/unlimited-ocr-parser/task?access_token={token}
• Content-Type：application/x-www-form-urlencoded

Python 示例

import base64
import os
import requests

API_KEY = "你的API_KEY"
SECRET_KEY = "你的SECRET_KEY"
FILE_PATH = "./test.pdf"


def get_access_token():
    url = "https://aip.baidubce.com/oauth/2.0/token"
    params = {
        "grant_type": "client_credentials",
        "client_id": API_KEY,
        "client_secret": SECRET_KEY,
    }
    return requests.get(url, params=params, timeout=30).json()["access_token"]


def create_task(url, file_path):
    with open(file_path, "rb") as f:
        file_data = base64.b64encode(f.read()).decode()
    data = {
        "file_data": file_data,
        "file_name": os.path.basename(file_path),
    }
    headers = {"Content-Type": "application/x-www-form-urlencoded"}
    return requests.post(url, headers=headers, data=data, timeout=120)


if __name__ == "__main__":
    access_token = get_access_token()
    url = (
        "https://aip.baidubce.com/rest/2.0/brain/online/v2/unlimited-ocr-parser/task"
        f"?access_token={access_token}"
    )
    response = create_task(url, FILE_PATH)
    print(response.json())

成功响应示例：

{
  "error_code": 0,
  "error_msg": "",
  "log_id": "10138598131137362685273505665433",
  "result": { "task_id": "task-3zy9Bg8CHt1M4pPOcX2q5bg28j26801S" }
}

失败响应示例：

{
  "error_code": 282003,
  "error_msg": "missing parameters",
  "log_id": "37507631033585544507983253924141",
  "result": "null"
}

获取结果接口

• HTTP 方法：POST
• 请求 URL：https://aip.baidubce.com/rest/2.0/brain/online/v2/unlimited-ocr-parser/task/query?access_token={token}
• Content-Type：application/x-www-form-urlencoded
• 请求参数：task_id（必填，提交时返回的 task_id）

Python 示例

import requests


def query_task(url, task_id):
    data = {"task_id": task_id}
    headers = {"Content-Type": "application/x-www-form-urlencoded"}
    return requests.post(url, headers=headers, data=data, timeout=60)


access_token = "your_access_token"
url = (
    "https://aip.baidubce.com/rest/2.0/brain/online/v2/unlimited-ocr-parser/task/query"
    f"?access_token={access_token}"
)
print(query_task(url, "task_id").json())

成功响应示例：

{
  "log_id": "23596597899286921761579365582373",
  "error_code": 0,
  "error_msg": "",
  "result": {
    "task_id": "task-UnvGsgbYZp9pS3BZRHn11ifzjNvKzTgf",
    "status": "success",
    "task_error": null,
    "markdown_url": "https://xxxxxxxxxxxxxxxxxxx",
    "parse_result_url": "https://xxxxxxxxxxxxxxxxxxx"
  }
}

失败响应示例：

{
  "log_id": "13665091038742503867108513247608",
  "error_code": "282007",
  "error_msg": "task not exist, please check task id",
  "result": "null"
}

请求参数

文件参数（必选，二选一）

返回结构

提交请求返回

获取结果返回

解析结果格式

• 主输出：markdown_url 指向的 Markdown 文件，包含结构化文本；复杂表格以 HTML `` 元素内嵌（支持 rowspan/colspan、居中、换行等样式），可直接渲染。
• 辅助输出：parse_result_url 指向的 JSON 文件（未来能力扩展保留）。

API 特性

异步处理流程

1. 调用提交请求接口 → 获取 task_id
2. 通过 task_id 调用获取结果接口轮询
3. status=success 后从 markdown_url 下载 Markdown 结果

轮询建议

• 提交请求后 5~10 秒开始轮询
• 轮询间隔：5 秒
• 最大轮询时间：300 秒

QPS 限制

• 提交请求接口：2 QPS
• 获取结果接口：5 QPS

文件限制

错误处理

常见错误码示例：

完整错误码参见 references/error_codes.md。

产品计费与购买方式

接口限时免费。免费额度自动发放：

登录文字识别控制台自动领取。后续正式定价以官方计费说明为准。

脚本

• scripts/baidu_doc_unlimited_ocr_parser.py：文档解析主程序，支持命令行快速调用

参考文档

• references/parameters.md：完整 API 参数与返回结构详解
• references/error_codes.md：完整错误码参考
• references/apikey-fetch.md：API Key 配置指南

相关链接

• 官方技术文档
• OCR 计费说明
• 百度云控制台
• 智能文档分析平台