1from appbuilder.core.components.doc_parser.doc_parser import DocParser
2from appbuilder.core.message import Message
3import os
4
5# 设置环境变量
6os.environ["APPBUILDER_TOKEN"] = "..."
7
8# 进行文档内容解析
9file_path = "./test.pdf"  # 待解析的文件路径
10msg = Message(file_path)
11parser = DocParser()
12parse_result = parser(msg)
13print(parse_result.content)

1class ParserConfig(BaseModel):
2    """
3    DocParser解析配置
4    """
5    convert_file_to_pdf: bool = Field(alias="need_pdffile_data", default=False) #  是否需要将当前文件转换成pdf格式
6    page_filter: List[int] = Field(alias="page_filter", default=None) #  指定解析的页码，默认传None，代表全部解析
7    return_para_node_tree: bool = Field(alias="return_para_nodes", default=True) #  是否需要返回标题段落层级树
8    erase_watermark: bool = Field(alias="erase_watermark", default=False) #  解析的过程中是否需要去除水印的干扰

1class ParseResult(BaseModel):
2    """
3    解析结果整体结构
4    """
5    para_node_tree: Optional[List[ParaNode]] = []  # 标题段落层级树，当ParserConfig.return_para_node_tree为True时有内容
6    page_contents: Optional[List[PageContent]] = []  # 页面的解析内容，详细内容参考base.py中的PageContent类
7    pdf_data: Optional[str] = "" # pdf格式数据, 当ParserConfig.convert_file_to_pdf为True时有内容
8    raw: Optional[Dict] = {} # 云端服务的原始解析结果
9
10class ParaNode(BaseModel):
11    """
12    文档内容层级树结构
13    """
14    node_id: int # 标题段落层级树的节点id
15    text: str # 节点文本
16    para_type: str # 节点类型，包括：title、text、table
17    parent: Optional[int] # 父节点id，文本的父节点是标题，标题的父节点是更高一级的标题
18    children: List[int] # 子节点id列表，标题节点才会有子节点
19    position: List[Position] # 节点位置信息，包括：页码和在对应页面的位置坐标
20    table: Optional[Table] = None # 节点类型为table时，包含表格解析结果
21
22class PageContent(BaseModel):
23    """
24    单页文档内容结构
25    """
26    page_num: int # 页码
27    page_width: int # 页面宽度
28    page_height: int # 页面高度
29    page_angle: int # 页面旋转角度
30    page_type: str # 页面类型
31    page_layouts: List[Layout] # 页面版式信息
32    titles: Optional[List[Layout]] = [] # 页面标题信息
33    tables: Optional[List[Table]] = [] # 页面表格信息
34
35class Layout(BaseModel):
36    """
37    layout结构
38    """
39    type: str # 布局类型
40    text: str # 布局文本
41    box: List[int] # 布局位置信息，包括：左上角x、y坐标和宽高
42    node_id: int # 布局在标题层级树中的节点id
43
44class Table(BaseModel):
45    """
46    表格结构
47    """
48    box: List[int] # 表格位置信息，包括：左上角x、y坐标和宽高
49    cells: List[Layout] = Field(alias="children") # 表格单元格信息，列表形式
50    matrix: List[List[int]] # 表格单元格矩阵，用来描述单元格的空间位置信息
51    node_id: int # 表格在标题层级树中的节点id

1# cells中一共有26个元素，matrix中的每一个元素代表单元格在cells中的索引
2cells = [{"box": [90, 376, 21, 10], "type": "cell", "text": "序号", "node_id": 1}, ...]
3matrix = [
4        [0, 1, 2, 3],
5        [4, 5, 6, 7],
6        [8, 9, 10, 11],
7        [12, 13, 14, 15],
8        [16, 17, 18, 19],
9        [20, 21, 22, 23],
10        [24, 24, 25, 26]
11    ]

1from appbuilder.core.components.doc_parser.doc_parser import DocParser
2from appbuilder.core.message import Message
3import os
4
5# 设置环境变量
6os.environ["APPBUILDER_TOKEN"] = "..."
7
8# 先进行文档内容解析
9file_path = "./test.docx"  # 待解析的文件路径
10msg = Message(file_path)
11
12parser = DocParser()
13config = parser.config
14config.convert_file_to_pdf = True  # 指定将当前文件转换成pdf格式
15config.page_filter = [0, 2]  # 只解析第1页和第3页，注意：页码从0开始
16
17parse_result = parser(msg)
18file_content = parse_result.content
19pdf_data = file_content.pdf_data  # 获取原始文件转化成pdf之后的数据
20page_content = file_content.page_content[1]  # 获取第3页的解析结果
21page_table = page_content.tables[0]  # 第3页中第一个表格的解析结果（如有），表格的解析内容的结构详见上一章详细说明部分关于表格结果的说明
22cells = page_table.cells  # 表格的单元格信息
23cell_text = cells[0]  # 表格第一个单元格的文本内容
24matrix = page_table.cell_matrix  # 表格的单元格矩阵，用来描述单元格的空间位置信息
25...
26自定义处理表格内容
27...