paddleocr-doc-parsing

PaddleOCR ドキュメント解析

このスキルを使用する場面

次のような場合にこのスキルを使用します：

• 表を含むドキュメント（請求書、財務報告書、スプレッドシート）
• 数式を含むドキュメント（学術論文、科学文書）
• グラフや図を含むドキュメント
• 複数段組みのレイアウト（新聞、雑誌、パンフレット）
• レイアウト解析が必要な複雑なドキュメント構造

使用方法

ドキュメントの基本的な解析

URL から：

paddleocr api \
  --model_type doc_parsing \
  --file_url "https://example.com/report.pdf"

ローカルファイルから：

paddleocr api \
  --model_type doc_parsing \
  --file_path "./document.pdf"

よく使うオプション

# With specific model
paddleocr api \
  --model_type doc_parsing \
  --model PP-StructureV3 \
  --file_path "./report.pdf"

# Disable preprocessing (faster, for flat/well-oriented images)
paddleocr api \
  --model_type doc_parsing \
  --file_path "./document.pdf" \
  --use_doc_unwarping False \
  --use_doc_orientation_classify False

# With page ranges
paddleocr api \
  --model_type doc_parsing \
  --file_path "./large.pdf" \
  --page_ranges "1-5,10,15-20"

# Save result and resources
paddleocr api \
  --model_type doc_parsing \
  --file_url "https://..." \
  --output result.json \
  --save_resources ./resources

# Prettify markdown output
paddleocr api \
  --model_type doc_parsing \
  --file_path "./document.pdf" \
  --prettify_markdown True

出力形式

{
  "jobId": "job-xxx",
  "pages": [
    {
      "markdownText": "# Title\n\nContent...",
      "markdownImages": {
        "img1": "https://...",
        "img2": "https://..."
      },
      "outputImages": {
        "layout1": "https://..."
      }
    }
  ]
}

重要な注意事項

前処理オプション：平坦で向きが正しい画像（スクリーンショット、適切にスキャンされたドキュメント）では、処理を高速化するために前処理を無効にできます：

paddleocr api --model_type doc_parsing --file_path "./document.pdf" --use_doc_unwarping False --use_doc_orientation_classify False

次の場合は前処理を有効にしたままにしてください：

• 入力が、湾曲または折り目のあるドキュメントの写真である
• ドキュメントに大きな遠近歪みがある
• 向きが不明である（90 度、180 度、270 度回転している）

結果をすべて表示する：抽出した内容は常にすべてユーザーに表示してください。内容が 10,000 文字を超えない限り、「...」で省略しないでください。複数ページを処理する場合、必要に応じて要約できますが、明示的に求められた場合は結果をすべて提示してください。

エラーに適切に対処する：CLI がエラーを返した場合、何も知らせずに失敗するのではなく、具体的な問題をユーザーに伝えてください。よくあるエラー：

• 認証：PADDLEOCR_ACCESS_TOKEN が無効、または設定されていない
• クォータ：API のレート制限を超過
• コンテンツが検出されない：ドキュメントが空であるか、抽出可能なテキストが含まれていない可能性がある

CLI リファレンス

すべてのオプションを確認するには、paddleocr api --help を実行してください。

詳しいドキュメントは、こちらを参照してください：PaddleOCR 公式ドキュメント