百度文档解析vlm-parser

百度文档解析（PaddleOCR-VL）Skill

基于 PaddleOCR-VL-1.6 多模态大模型，提供开箱即用的文档智能解析能力。

功能概述

PaddleOCR-VL-1.6-0.9B 是多模态文档解析领域的 SOTA 方案，具备：

• 全要素精准解析：高效识别印刷文本、手写文本、表格、公式、图表、印章等复杂文档元素
• 智能阅读顺序：基于人类阅读习惯推断内容排列顺序，将零散页面信息转化为有序带标签的结构化元素序列
• 行级别坐标：支持精准的行级别坐标输出
• 100+ 种语言：覆盖中、英、日、韩、拉丁文等全球化多语种文档
• 不规则布局定位：攻克复杂版面解析难点
• 长文档跨页解析：支持跨页表格合并等企业级场景
• 直接 Markdown/JSON 输出：无需额外处理

与文档解析（标准版）的区别

适用场景

当用户需要：

• 解析复杂版面文档（多栏、不规则布局）
• 精准识别手写文本、数学公式、图表
• 处理多语种混合文档
• 获取行级别坐标信息
• 长文档跨页表格合并
• 免配置自动识别文档内容

免费资源领取和计费说明

百度智能文档分析平台 领取免费测试资源

百度智能文档分析平台计费与购买方式

API 配置

额度获取方式

您可通过百度智能云平台获取免费额度与购买调用资源

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 获取 access_token，有效期 30 天。所有接口请求需以 URL 参数 access_token 携带。

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

支持语言

100+ 种语言，包括中文、英文、日文、韩文、拉丁文等，无需手动指定，大模型自动识别。

使用方式

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

API 接口

文档解析（PaddleOCR-VL）API 服务为异步接口，需要先调用提交请求接口获取 task_id，然后调用获取结果接口进行结果轮询。

提交请求接口

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

Python 示例

import requests, os, base64

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

request_host = "https://aip.baidubce.com/rest/2.0/brain/online/v2/paddle-vl-parser/task?access_token={token}"
response = create_task(request_host, "./test.pdf", "")
print(response.json())

成功响应示例：

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

获取结果接口

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

request_host = "https://aip.baidubce.com/rest/2.0/brain/online/v2/paddle-vl-parser/task/query?access_token={access_token}"
resp = query_task(request_host, "task_id")
print(resp.json())

请求参数

文件参数（必选，二选一）

功能参数

返回结构

提交请求返回

获取结果返回

解析结果 JSON 结构（parse_result_url）

顶层字段：file_name、file_id、pages[]。

页面对象（pages[]）

版面元素（layouts[]）

版面类型（type）— 24 种细粒度类型：

表格对象（tables[]）

图片对象（images[]）

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

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 及 OCR 错误码文档。

失败响应示例：

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

产品计费与购买方式

数据来源：百度智能云 OCR 计费说明

免费额度

登录文字识别控制台自动领取：

新人优惠

限时活动价 9 元/千页，面向新用户。

预付费资源包

有效期 1 年，到期未抵扣额度作废。购买后 7 天内若未产生调用可自助退订。

按量后付费

• 不限月调用量
• 原价 0.18 元/页，优惠价 0.09 元/页
• 仅成功调用计费，调用失败不计费

购买入口

• 购买资源包 / 开通后付费：均通过百度智能云控制台 文字识别产品页面进行
• 退订：资源包购买后 7 天内未产生调用可前往"退订管理页面"自助退订

脚本

• scripts/baidu_doc_vlm_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
• 产品计费与购买
• 百度云控制台
• 智能文档分析平台