mcpField
P
paddleocr-doc-parsing

paddleocr-doc-parsing

github.com/paddlepaddle文档处理91.9k472 次安装6 周前更新
代码仓库

关于 paddleocr-doc-parsing

paddleocr-doc-parsing 是一项使用 PaddleOCR 分析复杂文档的 skill，适用于表格、公式、图表和多栏版式。它支持本地文件与 URL，并可输出 Markdown 文本和图像链接等结构化结果。

主要功能

  1. 01解析表格、公式和图表
  2. 02分析多栏版式
  3. 03支持本地文件和 URL
  4. 04输出 Markdown 文本和图像链接

适用场景

  1. 01解析发票和财务报告
  2. 02提取学术论文结构
  3. 03分析宣传册和多栏页面

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/paddlepaddle/paddleocr --skill paddleocr-doc-parsing

安装后在 Claude Code 中输入/paddleocr-doc-parsing确认已加载。

详细介绍

PaddleOCR 文档解析

何时使用此技能

适用于：

  • 含有表格的文档（发票、财务报告、电子表格）
  • 含有数学公式的文档（学术论文、科学文档）
  • 含有图表和示意图的文档
  • 多栏布局（报纸、杂志、宣传册）
  • 需要进行布局分析的复杂文档结构

用法

基本文档解析

从 URL 解析：

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

从本地文件解析：

paddleocr api \
  --model_type doc_parsing \
  --file_path "./document.pdf"
常用选项
# 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
输出格式
{
  "jobId": "job-xxx",
  "pages": [
    {
      "markdownText": "# Title\n\nContent...",
      "markdownImages": {
        "img1": "https://...",
        "img2": "https://..."
      },
      "outputImages": {
        "layout1": "https://..."
      }
    }
  ]
}

重要说明

预处理选项：对于平整且方向正确的图像（屏幕截图、扫描方向正确的文档），可以禁用预处理以加快处理速度：

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

在以下情况下请保持启用预处理：

  • 输入是弯曲或折叠文档的照片
  • 文档存在明显的透视畸变
  • 方向不确定（旋转了 90/180/270 度）

显示完整结果：始终向用户展示提取的完整内容。除非内容超过 10,000 个字符，否则不要使用“...”截断内容。处理多页内容时，可视需要进行摘要，但用户明确要求时应提供完整结果。

妥善处理错误：当 CLI 返回错误时，应告知用户具体问题，而不是默默失败。常见错误：

  • 身份验证：PADDLEOCR_ACCESS_TOKEN 无效或缺失
  • 配额：超出 API 速率限制
  • 未检测到内容：文档可能为空白，或不含可提取的文本

CLI 参考

运行 paddleocr api --help 查看所有选项。

完整文档请参阅：PaddleOCR 官方文档

评论

支持 Markdown