在AI應(yīng)用極速發(fā)展的當(dāng)下，LLM與RAG系統(tǒng)已成為構(gòu)建智能問答、知識管理等高階應(yīng)用的核心引擎。然而，許多團(tuán)隊在項目落地時遭遇了現(xiàn)實的挑戰(zhàn)：模型的實際表現(xiàn)往往難以達(dá)到預(yù)期。究其根源，是一個常被低估的關(guān)鍵環(huán)節(jié)：文檔解析的質(zhì)量。 現(xiàn)實中的知識載體——PDF報告、掃描文件、圖文結(jié)合的技術(shù)文檔——本質(zhì)上是高度非結(jié)構(gòu)化的。傳統(tǒng)OCR工具就像個“近視的搬運工”，只能機械地把圖像上的文字“摳”下來，當(dāng)缺乏結(jié)構(gòu)、語義斷裂的“原料”被直接喂入RAG系統(tǒng)時，后果就是：

1. 檢索效率低下：系統(tǒng)難以精準(zhǔn)定位包含答案的關(guān)鍵片段，在海量碎片中“大海撈針”，耗時費力。
2. 答案準(zhǔn)確性受損：上下文缺失或錯位，導(dǎo)致模型“理解偏差”，生成跑題甚至錯誤的回答。
3. 信息完整性打折：表格數(shù)據(jù)混亂、跨頁信息斷裂、圖表意義不明，關(guān)鍵細(xì)節(jié)丟失。 可以說，文檔解析的質(zhì)量，直接決定了RAG系統(tǒng)乃至整個AI應(yīng)用效果的上限。優(yōu)質(zhì)的解析不是簡單的文字提取，而是對文檔內(nèi)容進(jìn)行深度理解與結(jié)構(gòu)化重建的過程。這正是TextIn xParse智能文檔解析引擎致力于解決的痛點。

項目介紹

TextIn xParse文檔解析是一款大模型友好的解析工具，能夠精準(zhǔn)還原pdf、word、excel、ppt、圖片等十余種格式的非結(jié)構(gòu)化文件，將其快速轉(zhuǎn)換為Markdown或JSON格式返回，同時包含精確的頁面元素和坐標(biāo)信息。

支持識別文本、圖像、表格、公式、手寫體、表單字段、頁眉頁腳等各種元素，并支持印章、二維碼、條形碼等子類型，為LLM推理、訓(xùn)練輸入高質(zhì)量數(shù)據(jù)，幫助完成數(shù)據(jù)清洗和文檔問答任務(wù)，適用于各類AI應(yīng)用程序，如知識庫、RAG、Agent或其他自定義工作流程。

TextIn xParse的核心優(yōu)勢

• 多種版面元素高精度解析：精準(zhǔn)識別標(biāo)題、公式、圖表、手寫體、印章、頁眉頁腳、跨頁段落，實現(xiàn)高精度坐標(biāo)還原，并捕捉版面元素間的語義關(guān)系，提升大模型應(yīng)用表現(xiàn)。
• 行業(yè)領(lǐng)先的表格識別能力：輕松解決合并單元格、跨頁表格、無線表格、密集表格等識別難題。
• 閱讀順序還原準(zhǔn)：理解、還原文檔結(jié)構(gòu)和元素排列，確保閱讀順序的準(zhǔn)確性，支持多欄布局的論文、年報、業(yè)務(wù)報告等。
• 自研文檔樹引擎：基于語義提取段落embedding值，預(yù)測標(biāo)題層級關(guān)系，通過構(gòu)造文檔樹提高檢索召回效果。
• 支持多種掃描內(nèi)容：能良好處理各類圖片與掃描文檔，包括手機照片、截屏等內(nèi)容。
• 支持多種語言：支持簡體中文/繁體中文/英文/數(shù)字/西歐主流語言/東歐主流語言等共50+種語言。
• 集成強大的圖像處理能力：文件帶水印、圖片有彎曲，都能一鍵解決，排除圖像質(zhì)量干擾。
• 開發(fā)者友好：提供清晰的API文檔和靈活的集成方式，包括MCP Server、Coze、Dify插件，支持FastGPT、CherryStudio、Cursor等主流平臺。

解析效果評測

密集少線表格識別

前端支持選中表格并在原圖上顯示模型預(yù)測的單元格，如圖中左上表格效果。

跨頁表格合并、頁眉頁腳識別

圖表識別

對于肉眼讀取困難的圖表，TextIn xParse也會通過精確測量給出預(yù)估數(shù)值，幫助挖掘更多有效數(shù)據(jù)信息，完成分析及預(yù)測工作。

標(biāo)題層級識別

多欄版式還原閱讀順序

跨頁段落內(nèi)容塊合并

彎折圖片識別

快速上手：兩種使用方法

訪問TextIn官網(wǎng)主頁進(jìn)行注冊。

官網(wǎng)地址：https://cc.co/16YSWR

方法一：在線使用

TextIn提供了一個在線的Web平臺，可以通過瀏覽器直接使用，無需編寫任何代碼即可快速試用API并感受效果。

我們可以點擊預(yù)存的示例文檔，也可以自行上傳文檔（如發(fā)票、表格或報告等）在右側(cè)快速查看解析結(jié)果并與原文檔進(jìn)行對照；右上欄切換查看JSON格式輸出以及特定元素解析結(jié)果，同時也支持對解析結(jié)果進(jìn)行編輯、復(fù)制、導(dǎo)出等操作；點擊左側(cè)“參數(shù)配置”可自定義參數(shù)。

方法二：API調(diào)用

首先前往“賬號與開發(fā)者信息”，獲取 x-ti-app-id 和 x-ti-secret-code。

前置準(zhǔn)備

import json
import requests

class OCRClient:
    def __init__(self, app_id: str, secret_code: str):
        self.app_id = app_id
        self.secret_code = secret_code

    def recognize(self, file_content: bytes, options: dict) -> str:
        # 構(gòu)建請求參數(shù)
        params = {}
        for key, value in options.items():
            params[key] = str(value)

        # 設(shè)置請求頭
        headers = {
            "x-ti-app-id": self.app_id,
            "x-ti-secret-code": self.secret_code,
            # 方式一：讀取本地文件
            "Content-Type": "application/octet-stream"
            # 方式二：使用URL方式
            # "Content-Type": "text/plain"
        }

        # 發(fā)送請求
        response = requests.post(
            f"https://api.textin.com/ai/service/v1/pdf_to_markdown",
            params=params,
            headers=headers,
            data=file_content
        )

        # 檢查響應(yīng)狀態(tài)
        response.raise_for_status()
        return response.text

def main():
    # 創(chuàng)建客戶端實例
    client = OCRClient("你的x-ti-app-id", "你的x-ti-secret-code")

        # 插入下面的示例代碼

if __name__ == "__main__":
    main()

后續(xù)步驟可根據(jù)實際使用場景在main函數(shù)中插入代碼。

解析單個本地文件并保存結(jié)果

# 在main函數(shù)中插入
    # 讀取本地文件
    with open("你的文件.pdf", "rb") as f:
        file_content = f.read()

    # 設(shè)置URL參數(shù)，可按需設(shè)置，這里已為你默認(rèn)設(shè)置了一些參數(shù)
    options = dict(
        dpi=144,
        get_image="objects",
        markdown_details=1,
        page_count=10,
        parse_mode="auto",
        table_flavor="html",
    )

    try:
        response = client.recognize(file_content, options)

        # 保存完整的JSON響應(yīng)到result.json文件
        with open("result.json", "w", encoding="utf-8") as f:
            f.write(response)

        # 解析JSON響應(yīng)以提取markdown內(nèi)容
        json_response = json.loads(response)
        if"result"in json_response and "markdown"in json_response["result"]:
            markdown_content = json_response["result"]["markdown"]
            with open("result.md", "w", encoding="utf-8") as f:
                f.write(markdown_content)

        print(response)
    except Exception as e:
        print(f"Error: {e}")

解析多個本地文件并保存結(jié)果至指定目錄

# 在main函數(shù)中插入
    # 讀取本地文件夾
    input_dir = "./tmp"# 你可以修改為自己的文件夾
    output_dir = "./output"# 輸出結(jié)果的文件夾
        import os
    os.makedirs(output_dir, exist_ok=True)

    # 支持的文件類型
    exts = (".pdf",".png",".jpg",".jpeg",".bmp",".tiff",".webp",".doc",".docx",".html",".mhtml",".xls",".xlsx",".csv",".ppt",".pptx",".txt")
    files = [f for f in os.listdir(input_dir) if f.lower().endswith(exts)]

    # 設(shè)置URL參數(shù)，可按需設(shè)置，這里已為你默認(rèn)設(shè)置了一些參數(shù)
    options = dict(
        dpi=144,
        get_image="objects",
        markdown_details=1,
        page_count=10,
        parse_mode="auto",
        table_flavor="html",
    )

    #循環(huán)處理
    for filename in files:
        file_path = os.path.join(input_dir, filename)
        with open(file_path, "rb") as f:
            file_content = f.read()
        try:
            response = client.recognize(file_content, options)
            base_name = os.path.splitext(filename)[0]
            # 保存JSON
            with open(os.path.join(output_dir, f"{base_name}.json"), "w", encoding="utf-8") as fw:
                fw.write(response)
            # 保存Markdown
            json_response = json.loads(response)
            if"result"in json_response and "markdown"in json_response["result"]:
                markdown_content = json_response["result"]["markdown"]
                with open(os.path.join(output_dir, f"{base_name}.md"), "w", encoding="utf-8") as fw:
                    fw.write(markdown_content)
            print(f"{filename} 處理完成")
        except Exception as e:
            print(f"{filename} 處理出錯: {e}")

更多應(yīng)用示例詳見產(chǎn)品文檔：https://docs.textin.com/xparse/overview

集成使用

TextIn xParse可以在扣子平臺快捷調(diào)用。

插件也已上架Dify商城。

支持在Cherry Studio、Cursor等平臺直接調(diào)用MCP Server。

總結(jié)

在LLM與RAG系統(tǒng)日益成為智能應(yīng)用核心的今天，文檔解析是決定AI效能上限的關(guān)鍵預(yù)處理基石。TextIn xParse通過其深度結(jié)構(gòu)化解析能力為RAG系統(tǒng)提供了高質(zhì)量輸入，從根本上解決了檢索不準(zhǔn)、生成偏差、信息缺失等瓶頸問題。 目前，開源社區(qū)也擁有不少文檔解析工具，與之相比，TextIn xParse在工程化落地層面具備顯著優(yōu)勢：

1. 高效迭代與性能保障：閉源模型持續(xù)優(yōu)化，解析準(zhǔn)確率與復(fù)雜文檔處理能力超越主流開源方案，顯著降低調(diào)試與適配成本。
2. 靈活部署，安全可控：

• 輕量級在線使用：提供完善的前端交互界面，支持用戶即時上傳解析、結(jié)果可視化預(yù)覽與導(dǎo)出。
• 企業(yè)級私有化部署：滿足金融、政務(wù)等高敏感場景對數(shù)據(jù)不出域、全鏈路安全的嚴(yán)苛要求。

3. 無縫集成與批量化處理：提供標(biāo)準(zhǔn)化API接口及SDK，可輕松嵌入自動化流水線，支持海量文檔并發(fā)解析，賦能智能客服、知識庫構(gòu)建、合規(guī)審查等規(guī)?；瘓鼍?。

TextIn xParse的價值不僅在于技術(shù)領(lǐng)先性，更在于其以用戶為中心的產(chǎn)品設(shè)計：

• 開箱即用的在線平臺：降低非技術(shù)用戶的體驗門檻，快速驗證解析效果。
• 開發(fā)者友好的API生態(tài)：標(biāo)準(zhǔn)化JSON輸出、詳盡的文檔與代碼示例，大幅縮短集成周期。
• 企業(yè)級服務(wù)保障：私有化版本提供定制化適配、性能優(yōu)化與專屬技術(shù)支持，確保關(guān)鍵業(yè)務(wù)穩(wěn)定運行。

TextIn xParse可以為AI系統(tǒng)構(gòu)建一條可靠、高效、安全的數(shù)據(jù)供應(yīng)鏈，它不僅是OCR的工具升級，更是企業(yè)釋放RAG潛力、打造下一階段智能應(yīng)用的戰(zhàn)略基礎(chǔ)設(shè)施。

本文轉(zhuǎn)載自??????大模型自然語言處理????   作者：合合信息