TextIn ParseX通用文档解析是一款大模型友好的文档解析工具，支持将pdf文档、jpg、img图像等文件快速转换为markdown格式，支持各类表格、公式解析，帮助大语言模型的数据清洗和文档问答任务。点击链接可免费试用👈

产品特点

• 支持多种扫描内容：能良好处理各类图片与扫描文档，包括手机照片、截屏等内容。
• 支持多种语言：支持简体中文/繁体中文/英文/数字/西欧主流语言/东欧主流语言等共 50+ 种语言。
• 表格识别效果好：能准确识别各种格式的表格，包括有线表格、无线表格、密集表格，并支持各种类型的合并单元格识别与还原。
• 阅读顺序还原准：能理解和还原文档的结构和元素排列，确保阅读顺序的准确性，支持多栏布局的论文、年报、业务报告等内容。
• 自研文档树引擎：从语义出发，提取段落embedding值，预测标题层级关系，通过构造文档树提高检索召回效果。

为了让用户获得文档解析引擎返回的丰富版面元素，我们开发了一系列的sdk函数，包括目录树、公式、表格、图片、全文markdown等结果的获取函数。对于api用户来说，评估文档解析引擎的版面分析结果准确性是困难的，可视化的前端界面可以一定程度解决定性评估的问题，另外一些场景中，用户希望能够可视化文件解析的结果，并对结果进行编辑修正，获得更高精度的解析结果，这个时候前端可视化组件就是必不可少的了。为了满足这些需求，方便用户，我们将textin.com上面的前端可视化组件进行了开源，请用户批评指正。

SDK功能介绍

TextIn ParseX是一套标准的多平台支持的python sdk，帮助开发者解pdf_to_markdownRestful API返回结果，获取对应的版面元素的数据结构。开发者只需在终端安装对应的依赖就可以使用。

为了方便用户获取版面元素，此次更新，调用接口增加了'page_details'参数，返回的json结果里面新增加了'pages'的字段。

pip install TextInParseX

如果报错timeout，可以尝试国内源：
pip3 install TextInParseX -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com

首先，你要在textin开通文档解析服务，然后可以在试用工作台点击用户图标，再点击账号与开发者信息（或者登陆后从textin首页->账户与充值->账号与开发者信息，或者点击https://www.textin.com/console/dashboard/setting）中获得api_id和secret_code。

你可以通过ParseX直接调用url获取解析对象。

也可以参考textin.com的restful api调用，通过python，curl，或者postman工具获得api的原始json文件，再通过ParseX解析json文件获得解析对象。

如果你想要获得全文级别的结果，例如文档的markdown信息，所有文本、表格、段落、图片信息，可以如下处理：

分别获取每页的表格信息、图片信息，段落纯文本信息，段落坐标，每行的信息：

如果想获取每行的位置和文本，可以如下处理：

前端组件功能介绍

在解析结果审核校对、效果测评等场景下，需要可视化展示文档解析后的结果。

在TextIn.com体验页上，我们提供丰富的可视化和交互功能，这部分前端组件现已开源！

项目用ES6开发，基于React框架。仓库地址：https://github.com/intsig-textin/parsex-frontend

目前前端组件已实现以下特性：

1. 预览渲染主流图片格式和pdf文件，提供缩放和旋转功能
2. markdown结果渲染，支持各级标题、图片、公式渲染展示
3. 各类解析元素提取展示，支持查看表格、公式、图片，和原始 JSON 结果
4. 解析元素文档位置溯源，原文画框标注各元素位置，可以点击画框跳转解析结果，也可以点击解析结果跳转原文画框
5. 各级目录树还原展示，支持点击跳转相应章节
6. 接口调用选项参数配置，支持配置不同参数组合，获取相应解析结果
7. 复制和导出markdown文件
8. 复制解析后的表格和图片，可以直接粘贴到Excel表格中

以上功能，都可以在 TextIn.com 上体验使用，地址：https://www.textin.com/console/recognition/robot_markdown?service=pdf_to_markdown

后续我们将开放更多的sdk函数，例如让用户获取所有的手写元素，复选框元素，也欢迎各位用户朋友给我们提更多的类似需求。

在一些国家标准、专利、扫描书的场景，用户还需要将文件解析后的结果进行校对，为了满足这样的需求，后续我们会在前端组件里面导入编辑的功能，并增加电子档pdf格式的导出功能。

SDK：https://github.com/intsig-textin/parsex-sdk

前端组件：https://github.com/intsig-textin/parsex-frontend

文档解析的测评工具：https://github.com/intsig-textin/markdown_tester

文本向量化模型：https://huggingface.co/aspire/acge_text_embedding

点击阅读原文，在TextIn官网获取新用户1000页免费额度。更多额度福利、大模型应用技术学习材料，关注公众号即刻领取！

点击链接可免费试用👈