openclaw-master-skills/skills/document-parser/README_zh.md

文档解析 (Document Parser)

OpenClaw Skill - 高精度文档解析

从 PDF、图片、Word 文档中提取结构化数据。

功能特性

• ✅ 多格式支持: PDF、图片 (JPG/PNG)、Word 文档
• ✅ 版面分析: 自动检测和解析文档结构元素
• ✅ 表格识别: 提取表格并输出 HTML 和 Markdown 格式
• ✅ OCR 识别: 识别扫描件和图片中的文字
• ✅ 印章检测: 检测文档中的印章和签章
• ✅ 目录提取: 从文档中提取目录结构
• ✅ 跨页合并: 自动合并跨页面的内容

快速开始

安装

# 通过 ClawHub 安装
openclaw skills install document-parser

# 或手动安装（本地开发）
cd E:\skills\document-parser
pip install -r requirements.txt

配置

方式一：环境变量（推荐）

# Windows PowerShell
$env:DOCUMENT_PARSER_API_KEY="your_api_key"
setx DOCUMENT_PARSER_API_KEY "your_api_key"

# 可选：自定义 API 地址
$env:DOCUMENT_PARSER_BASE_URL="http://your-server:8088/taidp/v1/idp/general_parse"

方式二：配置文件

cd E:\skills\document-parser
copy config.example.json config.json
# 编辑 config.json 填入你的 API Key

使用方法

解析文档

# 基础解析
document-parser parse "C:\docs\report.pdf"

# 启用版面分析和表格识别
document-parser parse "C:\docs\report.pdf" --layout --table

# 指定输出格式
document-parser parse "C:\docs\scan.jpg" --output markdown

# 指定页码范围
document-parser parse "C:\docs\book.pdf" --pages 1-5,10-15

查询任务状态

document-parser status <task_id>

参数说明

参数	类型	必填	说明
file	string	是	PDF/图片/Word 文件路径
--layout	flag	否	启用版面分析
--table	flag	否	启用表格识别
--seal	flag	否	启用印章检测
--output	string	否	输出格式：json/markdown/both
--pages	string	否	页码范围，如 "1-5,8,10-12"

输出格式

返回结构化 JSON 包含：

{
  "code": 10000,
  "message": "Success",
  "request_id": "xxx-xxx-xxx",
  "elapsed_time": 8.5,
  "pages": [
    {
      "page_no": 1,
      "height": 1654,
      "width": 1169,
      "elements": [...]
    }
  ],
  "markdown": "解析后的 Markdown 文本"
}

支持的文档元素

类型	说明
DocumentTitle	文档标题
LevelTitle	层级标题
Paragraph	段落
Table	表格
Image	图片
PageHeader	页眉
PageFooter	页脚
Seal	印章
Formula	公式
TableOfContents	目录

错误码

错误码	消息	说明
10000	Success	识别成功
10001	Missing parameter	参数缺失
10002	Invalid parameter	非法参数
10003	Invalid file	文件格式非法
10004	Failed to recognize	识别失败
10005	Internal error	内部错误

示例

解析 PDF 并提取表格

document-parser parse "C:\docs\financial_report.pdf" --table --output markdown

解析扫描件并启用 OCR

document-parser parse "C:\docs\scanned_contract.jpg" --layout

解析 Word 文档

document-parser parse "C:\docs\manual.docx" --output json

依赖

• Python 3.8+
• requests>=2.28.0
• python-docx>=0.8.11
• Pillow>=9.0.0

许可证

MIT License

支持

如有问题请提交 Issue 或联系作者。