PaddleOCRVL PDF 解析器¶
使用 PaddleOCRVLPDFParser 进行端到端文档解析的指南，具有视觉语言模型功能。
安装要求¶
在使用 PaddleOCRVLPDFParser 之前，您需要安装所需的依赖项：
此外，您需要安装平台特定的 safetensors wheels：
对于 Linux 系统：
python -m pip install https://paddle-whl.bj.bcebos.com/nightly/cu126/safetensors/safetensors-0.6.2.dev0-cp38-abi3-linux_x86_64.whl
对于 Windows 系统：
python -m pip install https://xly-devops.cdn.bcebos.com/safetensors-nightly/safetensors-0.6.2.dev0-cp38-abi3-win_amd64.whl
使用前必需
这些安装步骤在使用 PaddleOCRVLPDFParser 之前是**必需的**。没有它们，您可能会遇到导入错误。
概述¶
PaddleOCRVLPDFParser 使用 PaddleOCRVL（视觉语言模型）进行全面的文档理解。它将 PaddleOCRVL 的高级文档解析功能与 DocRes 图像恢复和分割表格合并相结合，为复杂文档处理任务提供完整的解决方案。
主要特性¶
- 端到端解析：使用 PaddleOCRVL 在单次处理中完成文档理解
- 图表识别：自动检测图表并转换为结构化表格格式
- 文档恢复：可选的 DocRes 集成以增强文档质量
- 分割表格合并：自动检测并合并跨页分割的表格
- 结构化输出：生成包含表格和图表的 Markdown、HTML 和 Excel 文件
- 多种元素类型：处理标题、文本、表格、图表、脚注、图形标题等
基本用法¶
from doctra import PaddleOCRVLPDFParser
# 使用默认设置的基本解析器
parser = PaddleOCRVLPDFParser(
use_image_restoration=True, # 启用 DocRes 恢复
use_chart_recognition=True, # 启用图表识别
merge_split_tables=True, # 启用分割表格合并
device="gpu" # 使用 GPU 进行处理
)
# 解析 PDF 文档
parser.parse("document.pdf")
配置选项¶
DocRes 图像恢复¶
parser = PaddleOCRVLPDFParser(
# 图像恢复设置
use_image_restoration=True,
restoration_task="appearance", # 选项：appearance, dewarping, deshadowing, deblurring, binarization, end2end
restoration_device="cuda", # 或 "cpu" 或 None 自动检测
restoration_dpi=300, # 恢复处理的 DPI
)
PaddleOCRVL 设置¶
parser = PaddleOCRVLPDFParser(
# PaddleOCRVL 配置
use_chart_recognition=True, # 启用图表识别和提取
use_doc_orientation_classify=True, # 启用文档方向分类
use_doc_unwarping=True, # 启用文档去扭曲
use_layout_detection=True, # 启用布局检测
device="gpu", # "gpu" 或 "cpu"
)
分割表格合并¶
parser = PaddleOCRVLPDFParser(
# 分割表格合并设置
merge_split_tables=True, # 启用分割表格检测和合并
bottom_threshold_ratio=0.20, # "太接近底部"检测的比率
top_threshold_ratio=0.15, # "太接近顶部"检测的比率
max_gap_ratio=0.25, # 表格之间的最大允许间隙
column_alignment_tolerance=10.0, # 列对齐的像素容差
min_merge_confidence=0.65 # 合并的最小置信度分数
)
高级配置¶
from doctra import PaddleOCRVLPDFParser
parser = PaddleOCRVLPDFParser(
# DocRes 图像恢复设置
use_image_restoration=True,
restoration_task="end2end", # 完整恢复流程
restoration_device="cuda", # 强制使用 GPU
restoration_dpi=300, # 更高的 DPI 以获得更好的质量
# PaddleOCRVL 设置
use_chart_recognition=True,
use_doc_orientation_classify=True, # 启用方向检测
use_doc_unwarping=True, # 启用去扭曲
use_layout_detection=True,
device="gpu",
# 分割表格合并设置
merge_split_tables=True,
bottom_threshold_ratio=0.20,
top_threshold_ratio=0.15,
max_gap_ratio=0.25,
column_alignment_tolerance=10.0,
min_merge_confidence=0.65
)
# 使用自定义输出目录解析
parser.parse("document.pdf", output_dir="custom_output")
输出结构¶
解析器在 outputs/{document_name}/paddleocr_vl_parse/ 中生成输出，包含：
- result.md：包含所有提取内容的 Markdown 文件
- result.html：格式化的 HTML 文件
- tables.xlsx：包含所有表格和图表作为结构化数据的 Excel 文件
- tables.html：包含结构化表格和图表的 HTML 文件
- enhanced_pages/：包含 DocRes 增强页面图像的目录（如果启用了恢复）
- tables/：包含合并表格图像的目录（如果检测到分割表格）
提取的内容类型¶
解析器提取各种文档元素：
- 标题：文档标题和章节标题
- 文本：段落和正文
- 表格：提取为 HTML 并转换为 Excel 格式
- 图表：从视觉格式转换为结构化表格数据（管道分隔格式）
- 脚注：基于视觉的脚注检测（
vision_footnote） - 图形标题：标题和图例描述
- 数字：独立数字（如页码）
图表识别¶
PaddleOCRVL 自动识别图表并将其转换为结构化表格格式。图表以管道分隔格式提取，然后转换为 Excel 兼容的表格。
示例图表输出：
这会自动转换为带标题和行的结构化表格，以便包含在 Excel 输出中。
分割表格合并¶
解析器包含自动检测和合并跨多个页面分割的表格。此功能使用与其他解析器相同的两阶段方法：
- 阶段 1：邻近检测 - 快速空间启发式方法
- 阶段 2：结构验证 - 使用 LSD 进行深度结构分析
详细信息，请参阅分割表格合并指南。
DocRes 恢复任务¶
| 任务 | 描述 | 最适合 |
|---|---|---|
appearance |
一般外观增强 | 大多数文档（默认） |
dewarping |
校正透视失真 | 有透视问题的扫描文档 |
deshadowing |
去除阴影和光照伪影 | 有阴影问题的文档 |
deblurring |
减少模糊并提高清晰度 | 模糊或低质量扫描 |
binarization |
转换为黑白 | 需要干净二值化的文档 |
end2end |
完整的恢复流程 | 严重退化的文档 |
参数参考¶
DocRes 参数¶
| 参数 | 类型 | 默认值 | 描述 |
|---|---|---|---|
use_image_restoration |
bool | True |
启用/禁用 DocRes 图像恢复 |
restoration_task |
str | "appearance" |
要使用的 DocRes 恢复任务 |
restoration_device |
str | None |
DocRes 的设备（"cuda"、"cpu" 或 None 自动检测） |
restoration_dpi |
int | 200 |
恢复处理的 DPI |
PaddleOCRVL 参数¶
| 参数 | 类型 | 默认值 | 描述 |
|---|---|---|---|
use_chart_recognition |
bool | True |
启用图表识别和提取 |
use_doc_orientation_classify |
bool | False |
启用文档方向分类 |
use_doc_unwarping |
bool | False |
启用文档去扭曲 |
use_layout_detection |
bool | True |
启用布局检测 |
device |
str | "gpu" |
PaddleOCRVL 处理的设备（"gpu" 或 "cpu"） |
分割表格合并参数¶
| 参数 | 类型 | 默认值 | 描述 |
|---|---|---|---|
merge_split_tables |
bool | True |
启用/禁用分割表格检测 |
bottom_threshold_ratio |
float | 0.20 |
检测页面底部附近表格的比率（0-1） |
top_threshold_ratio |
float | 0.15 |
检测页面顶部附近表格的比率（0-1） |
max_gap_ratio |
float | 0.25 |
表格之间的最大允许间隙 |
column_alignment_tolerance |
float | 10.0 |
列对齐验证的像素容差 |
min_merge_confidence |
float | 0.65 |
合并表格所需的最小置信度分数（0-1） |
何时使用¶
在以下情况下使用 PaddleOCRVLPDFParser：
- 复杂文档：包含多种内容类型的文档（文本、表格、图表、图形）
- 图表提取：当您需要将图表转换为结构化数据时
- 端到端处理：当您想要单次处理的文档理解解决方案时
- 质量增强：当文档在处理前需要恢复时
- 分割表格：包含跨多个页面的表格的文档
- 全面输出：当您需要所有内容类型的结构化格式时
在以下情况下考虑其他解析器：
- 简单文本提取：使用
StructuredPDFParser进行基本文本提取 - 仅视觉元素：使用
ChartTablePDFParser仅提取图表/表格 - 不需要恢复：如果文档质量良好，使用
StructuredPDFParser
示例：财务报告处理¶
from doctra import PaddleOCRVLPDFParser
# 为财务报告初始化解析器
parser = PaddleOCRVLPDFParser(
use_image_restoration=True,
restoration_task="appearance",
use_chart_recognition=True, # 对财务图表很重要
merge_split_tables=True, # 财务表格经常跨页
device="gpu"
)
# 处理财务报告
parser.parse("annual_report.pdf")
# 输出包括：
# - 所有文本内容
# - 财务表格（包括合并的分割表格）
# - 转换为 Excel 格式的图表
# - 全部在结构化 Excel 文件中（tables.xlsx）