Skip to main content

场景: 解析工作台

在文档正式入库前，使用解析工作台预览解析效果并选择最优解析器。

场景描述​

不同文档格式和解析器组合会产生不同的解析效果。解析工作台允许在正式入库前测试解析质量，选择最适合当前文档的解析器配置。

调用时序​

curl 示例​

# 1. 查看可用解析器
curl -s "$BASE_URL/api/v1/parsers" \
  -H "Authorization: Bearer $TOKEN" | jq '.[] | {id, name, supported_formats}'

# 2. 提交解析预览
curl -s -X POST "$BASE_URL/api/v1/parsing/preview" \
  -H "Authorization: Bearer $TOKEN" \
  -F "file=@document.pdf" \
  -F "parser_id=$PARSER_ID" | jq '{text_length: (.text | length), sections: (.sections | length)}'

# 3. 换一个解析器对比
curl -s -X POST "$BASE_URL/api/v1/parsing/preview" \
  -H "Authorization: Bearer $TOKEN" \
  -F "file=@document.pdf" \
  -F "parser_id=$ALT_PARSER_ID" | jq '{text_length: (.text | length), sections: (.sections | length)}'

预期结果​

步骤预期
解析器列表返回可用解析器及其支持的格式
预览结果包含提取的文本、章节结构、元数据
对比效果不同解析器在文本完整度和结构识别上的差异

选择建议​

文档类型推荐策略
标准 PDF默认解析器通常足够
扫描件 PDF需要 OCR 支持的解析器
复杂表格选择表格识别能力强的解析器
Office 文档对照解析器的格式支持列表
info

解析工作台相关 API 路径以 Redoc 中实际定义为准。

排障​

问题可能原因
预览超时文件过大或解析器服务负载高
文本为空扫描件未使用 OCR 解析器
乱码文件编码不匹配

相关链接​