引言

在構(gòu)建高質(zhì)量的企業(yè)級的智能問答系統(tǒng)的過程中，如何高效精準(zhǔn)地處理企業(yè)已有的海量文檔是大部分開發(fā)者亟待解決的核心痛點。有了高效精準(zhǔn)的文檔解析能力，才能夠構(gòu)建高質(zhì)量的知識庫和高效的信息檢索系統(tǒng)，這樣 LLM 才能給用戶更準(zhǔn)確更全面的回答。

Doc2X 簡介

Doc2X 是一款專為開發(fā)者設(shè)計的強(qiáng)大文檔解析產(chǎn)品。

Doc2X 提供 RESTful API 與 SDK 工具包，支持多種開發(fā)語言與框架，讓您輕松將文檔處理功能嵌入現(xiàn)有系統(tǒng)，方便快捷地實現(xiàn)將 PDF、掃描件、圖片等多種格式的文檔精準(zhǔn)轉(zhuǎn)換為 Markdown、LaTeX、HTML、Word 等結(jié)構(gòu)化或半結(jié)構(gòu)化格式的能力。

官網(wǎng)：https://noedgeai.com/

強(qiáng)大的功能特性

• 
  

  ? 市面上類似的文檔解析產(chǎn)品，絕大部分公式識別做的不好（尤其是行內(nèi)和復(fù)雜公式），而 Doc2X 則處于領(lǐng)先水平；

• ? Doc2X 對表格識別適配優(yōu)秀，甚至支持識別表格里面的圖片和合并跨頁表格等；

• ? Doc2X 對于多欄識別的閱讀順序還原效果優(yōu)異；

• ? Doc2X 適配范圍廣相當(dāng)通用，涵蓋財研報、論文、教輔、專利等等；

• ? 更具體的效果對比可以參考： Doc2x-v1 競品分析（mathpix、庖丁PDFlux、pix2text、合合信息TextIn、騰訊云大模型知識引擎文檔解析)[2]

當(dāng)然，除了提供了快速集成的 API 之外，Doc2X 還提供了友好的操作界面，可以讓你在頁面上快速完成文檔解析，解析完成之后可以對照著原文檔進(jìn)行編輯，確保準(zhǔn)確性。

無縫集成主流工具

Doc2X 已成功接入 FastGPT、CherryStudio、扣子（國內(nèi)版）等知名知識庫和 AI 應(yīng)用構(gòu)建平臺。開發(fā)者可以直接在這些平臺中利用 Doc2X 的強(qiáng)大解析能力，快速搭建和優(yōu)化自己的知識庫應(yīng)用。

Doc2X 解析效果

從 Doc2X 的解析結(jié)果來看，Doc2X PDF 轉(zhuǎn) Markdown 的整體效果是比較出色的，大家可以根據(jù)自己的文檔情況去試用看看效果。

我還是拿《2024少兒編程教育行業(yè)發(fā)展趨勢報告.pdf》這個文檔進(jìn)行解析，相比于 MinerU ，在以下幾方面 Doc2X 做的更出色：

1. 1. 支持多級標(biāo)題的解析（MinerU 只支持一級標(biāo)題解析）；

1. 2. 表格識別能力比較強(qiáng)，圖片中的表格基本準(zhǔn)確識別出來，而且基本沒有錯位（MinerU 存在無法識別或表格錯位問題）；

1. 3. 對于多欄識別的閱讀順序還原效果優(yōu)異（MinerU 對于多欄識別出現(xiàn)了混亂）。

Doc2X API 集成

Doc2X RESTful API 的 Base URL 是 https://v2.doc2x.noedgeai.com，API 調(diào)用流程如下：

Doc2X API 文檔[3]
https://noedgeai.feishu.cn/wiki/Q8QIw3PT7i4QghkhPoecsmSCnG1

接口鑒權(quán)

首先需要獲取到 API Key（類似于sk-xxx），API Key 獲取網(wǎng)址：https://open.noedgeai.com/。

獲取之后，在 HTTP 請求頭加入：

Authorization: Bearer sk-xxx

推薦使用該接口, 有更快的上傳速度，大文件上傳接口，文件大小<=1GB。

請求示例：

import json import time import requests as rq base_url = "https://v2.doc2x.noedgeai.com" secret = "sk-xxx" def preupload():     url = f"{base_url}/api/v2/parse/preupload"     headers = {         "Authorization": f"Bearer {secret}"     }     res = rq.post(url, headers=headers)     if res.status_code == 200:          data = res.json()         if data["code"] == "success":             return data["data"]         else:             raise Exception(f"get preupload url failed: {data}")     else:         raise Exception(f"get preupload url failed: {res.text}") upload_data = preupload() print(upload_data)

返回示例：

{     "code":"success",     "data":{         "uid":"0192d745-5776-7261-abbd-814df3af3449",         "url":"https://doc2x-pdf.oss-cn-beijing.aliyuncs.com/tmp/0192d745-5776-7261-abbd-814df3af3449.pdf?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=LTAI5tS7hV6uXXVzcpk3EGfX%2F20241029%2Fcn-beijing%2Fs3%2Faws4_request&X-Amz-Date=20241029T075458Z&X-Amz-Expires=600&X-Amz-SignedHeaders=host&X-Amz-Signature=f731ea8fe4efdd7c727c210034bdcf1a63436c74b295db68f9648efdce576a91"     } }

獲取到 url 之后，使用 HTTP PUT 方法上傳文件到返回結(jié)果中的 url 字段，然后使用/api/v2/parse/status 接口輪詢結(jié)果，使用的是阿里云的oss，具體速度取決于您的網(wǎng)速（海外用戶速度可能上傳失敗）。

import json import time import requests as rq base_url = "https://v2.doc2x.noedgeai.com" secret = "sk-xxx" def put_file(path: str, url: str):     withopen(path, "rb") as f:         res = rq.put(url, data=f) # body為文件二進(jìn)制流         if res.status_code != 200:             raise Exception(f"put file failed: {res.text}") defget_status(uid: str):     url = f"{base_url}/api/v2/parse/status?uid={uid}"     headers = {         "Authorization": f"Bearer {secret}"     }     res = rq.get(url, headers=headers)     if res.status_code == 200:         data = res.json()         if data["code"] == "success":             return data["data"]         else:             raise Exception(f"get status failed: {data}")     else:         raise Exception(f"get status failed: {res.text}") url = upload_data["url"] uid = upload_data["uid"] put_file("test.pdf", url) whileTrue:     status_data = get_status(uid)     print(status_data)     if status_data["status"] == "success":         result = status_data["result"]         withopen("result.json", "w") as f:             json.dump(result, f)         break     elif status_data["status"] == "failed":         detail = status_data["detail"]         raise Exception(f"parse failed: {detail}")     elif status_data["status"] == "processing":         # processing         progress = status_data["progress"]         print(f"progress: {progress}")         time.sleep(3)

文件預(yù)上傳流程圖如下：

請求導(dǎo)出文件

通過/api/v2/parse/status 接口輪詢結(jié)果完成之后，需要通過 /api/v2/convert/parse接口觸發(fā)導(dǎo)出文件任務(wù)。

請求示例：

import requests import json url = "https://v2.doc2x.noedgeai.com/api/v2/convert/parse" headers = {     "Authorization": "Bearer sk-xxx",     "Content-Type": "application/json", } data = {     "uid": "01920000-0000-0000-0000-000000000000",     "to": "md",     "formula_mode": "normal",     "filename": "my_markdown.md", } response = requests.post(url, headers=headers, data=json.dumps(data)) print(response.text)

返回示例：

// 進(jìn)行中 {     "code":"success",     "data":{         "status":"processing",         "url":""     } }

通過/api/v2/convert/parse接口觸發(fā)導(dǎo)出文件任務(wù)后，需要通過/api/v2/convert/parse/result接口輪詢導(dǎo)出文件任務(wù)狀態(tài)，成功之后會返回文件 URL。

請求示例：

import requests url = 'https://v2.doc2x.noedgeai.com/api/v2/convert/parse/result?uid=01920000-0000-0000-0000-000000000000' headers = {'Authorization': 'Bearer sk-xxx'} response = requests.get(url, headers=headers) print(response.text)

返回示例：

{     "code":"success",     "data":{         "status":"success",         "url":"https://doc2x-backend.s3.cn-north-1.amazonaws.com.cn/objects/01927a3a-eeb0-74f6-a539-ca35916b772e5/convert_tex_none.zip?X-Amz-Algorithm=AWS4-HMACSHA256&X-Amz-Credential=AKIATKXFISLI52PK3HTP%2F20241011%2Fcn-north-1%2Fs3%2Faws4request&X-Amz-Date=20241011075617Z&X-Amz-Expires=300&X-Amz-SignedHeaders=host&&x-id=GetobjectX-Amz-Signature=05bdd04a668e9924c5fd361999728cee35aaefb2087334a403f6ebf5ba93f786f"     } }

從/api/v2/convert/parse/result接口獲得文件 URL 后就可以通過 HTTP GET 方法請求 URL 來下載文件。

請求示例：

import requests response = requests.get("https://doc2x-backend.s3.cn-north-1.amazonaws.com.cn/objects/01927a3a-eeb0-74f6-a539-ca35916b772e5/convert_tex_none.zip?X-Amz-Algorithm=AWS4-HMACSHA256&X-Amz-Credential=AKIATKXFISLI52PK3HTP%2F20241011%2Fcn-north-1%2Fs3%2Faws4request&X-Amz-Date=20241011075617Z&X-Amz-Expires=300&X-Amz-SignedHeaders=host&&x-id=GetobjectX-Amz-Signature=05bdd04a668e9924c5fd361999728cee35aaefb2087334a403f6ebf5ba93f786f") withopen('downloaded_file.zip', 'wb') as f:     f.write(response.content)

本文給大家再介紹了一款優(yōu)秀強(qiáng)大的文檔解析產(chǎn)品 - Doc2X，通過實踐表明 Doc2X 確實具有優(yōu)秀的表現(xiàn)，可以作為大家在建設(shè)文檔解析系統(tǒng)的候選工具，也期望通過我的介紹能給大家提供更多的選擇和思路。

引用鏈接

[1] Doc2X: https://noedgeai.com/
[2] Doc2x-v1 競品分析（mathpix、庖丁PDFlux、pix2text、合合信息TextIn、騰訊云大模型知識引擎文檔解析): https://noedgeai.feishu.cn/wiki/K1NGwjuuqiI9nukgapEcUAALnLh?from=from_copylink
[3] Doc2X API 文檔: https://noedgeai.feishu.cn/wiki/Q8QIw3PT7i4QghkhPoecsmSCnG1