智能全文解析工具使用指南

注意：在学习使用不同函数之前，建议先阅读请求描述，了解基本的PDF处理流程。使用不同函数时，可以在上传文件时设置各自特殊的参数。其他基本步骤一致。

智能全文解析：

{
    "getImage": "both",
    "isAllowOcr": 1,
    "imageOutputType": "base64str"
}

所需参数：

getImage: 提取图片类型： page 返回每一页的整页图像，objects 返回页面内的图像对象，both 返回整页图像和图像对象。

isAllowOcr: 是否开启OCR(0: 不开启；1: 开启)。

imageOutputType: 图片存储类型 base64str，url
base64str：此时图片直接以base64格式在API结果中返回。（这种方式返回结果体积会很大，长文档不推荐）
url：此时图片直接以平台的链接方式返回，您可以通过链接下载图片到本地，或上传到您的云存储。

Java 示例：

您需要将 apiKey 替换为您从控制台获取的 publicKey ，将 file 替换为您要转换的文件 ，language 替换为您想要的接口错误提示语言类型。

import java.io.*;
import okhttp3.*;
public class main {
  public static void main(String []args) throws IOException{
    OkHttpClient client = new OkHttpClient().newBuilder()
      .build();
    MediaType mediaType = MediaType.parse("text/plain");
    RequestBody body = new MultipartBody.Builder().setType(MultipartBody.FORM)
      .addFormDataPart("file","{{file}}",
 RequestBody.create(MediaType.parse("application/octet-stream"),
                                          new File("<file>")))
      .addFormDataPart("language","{{language}}")
      .addFormDataPart("password","")
      .addFormDataPart("parameter","{  \"getImage\": \"objects\",\"isAllowOcr\":1,\"imageOutputType\":\"url\"}") 
      .build();
    Request request = new Request.Builder()
      .url("https://api-server.compdf.com/server/v1/process/idp/documentParsing")
      .method("POST", body)
      .addHeader("x-api-key", "{{apiKey}}")
      .build();
    Response response = client.newCall(request).execute();
  }
}

结果：

文件类型	文件描述
.json	智能文档解析完成的 json 文件

返回数据结构说明：

◆ code (integer) 操作状态码
◆ message (string) 描述信息
◆ version (string) 版本号
◆ duration (integer) 总处理耗时（单位：毫秒）
◆ x_request_id (string) 请求ID
◆ image_process (array) 是否有水印
◆ msg (string) 描述信息
◆ result (object) 核心数据
  ├─ markdown (string)整份文档的Markdown格式文本
  ├─ total_count (integer) PDF文档总页数
  ├─ total_page_number (integer) PDF文档总页数
  ├─ success_count (integer) 成功处理总页数
  ├─ total_count (integer) PDF文档总页数
  ├─ valid_page_number (integer) 成功解析的有效页数
  ├─ excel_base64 (string) Excel文件base64编码
  ├─ catalog (object) 目录树结构
  │  └─ toc (array)
  │     ├─ pos (array)：该目录区域的四个角点坐标，依次left-top,right-top,right-bottom,left-bottom.
  │     ├─ paragraph_id (integer)：标题所在段落id
  │     ├─ page_id (integer)：标题所在页码 （最小页码为 1)
  │     ├─ hierarchy (integer)：标题层级， 1 是 1级标题, 2 是 2级标题，依次类推
  │     ├─ pos_list (array)：发生标题合并时，为合并前多个标题的坐标。未发生标题合并时，即为该标题的坐标
  │     ├─ title (string)：标题内容
  │     └─ sub_type (string)：标题类型 text_title、 image_title、 table_title
  │
  ├─ pages (array) 分页数据容器
  │  ├─ status (string)：页面处理状态/错误信息
  │  ├─ page_id (number)：当前页码
  │  ├─ durations (number)：页面处理耗时（毫秒）
  │  ├─ image_id (string)：图片地址
  │  ├─ width (integer)：文档页宽度（像素）
  │  ├─ height (integer)：文档页高度（像素）
  │  ├─ angle (integer)：文本方向角度（0°: ▲ (正立)/90°: ▶ (右旋)/180°: ▼ (倒立)/270°: ◀ (左旋)）
  │  ├─ content (array)：基础数据: 文字行, 图像中的其中一种，请参考textline和image的说明
  │  └─ structured (array)：结构化数据, 为textblock, table, imageblock, footer, header中的一种
  │
  └─ detail (array) Markdown详细信息（结构复用"段落数据"模型）
     ├─ page_id (integer)：当前段落所在页码
     ├─ paragraph_id (integer)：当前段落id
     ├─ outline_level (integer)：标题级别: (最多支持5级标题) -1.正文 0.一级标题 1.二级标题 ...
     ├─ text (string)：文本
     ├─ type (string)：类型, paragraph（段落类型，包括正文、标题、公式等文字信息）、image（图片类型）、table（表格类型）
     ├─ image_url (string)：图片地址
     ├─ content (integer)：内容类型 0 正文(段落、图片、表格) 1 非正文(页眉、页脚、侧边栏)
     ├─ position (array)：该目录区域的四个角点坐标，依次left-top,right-top,right-bottom,left-bottom.
     ├─ sub_type (string)：子类型。当type为paragraph时，取值范围为catalog(目录),header(页眉),footer(页脚),sidebar(侧边栏),text(正文普通文本),text_title(文本标题),image_title(图片标题),table_title(表格标题)；当type是image时，取值范围为stamp(印章),chart(图表),qrcode(二维码),barcode(条形码)；当type为table时，取值范围为bordered(有线表), borderless(无线表)。
     ├─ tags (array)：表示段落内是否存在特殊文本，类型包括公式formula和手写体handwritten
     │─ cells (array)：单元格数组, 仅在type为table时返回
     │  ├─ row_span (integer)：单元格行跨度,默认为1
     │  ├─ text (integer)：
     │  ├─ type (integer)：
     │  ├─ col (integer)：单元格列号
     │  ├─ col_span (integer)：单元格列跨度,默认为1
     │  ├─ page_id (integer)：
     │  ├─ position (integer)：单元格的四个角点坐标，依次left-top,right-top,right-bottom,left-bottom.
     │  └─ row (integer)：单元格行号
     │
     └─ caption_id (object)：原始OCR文本结果
        ├─ page_id (integer)：标题所在页码
        └─ paragraph_id (integer)：标题所在段落id

◆ metrics (array) 页面级性能指标
  ├─ page_image_width (integer)：当前页渲染宽度（像素）
  ├─ page_image_height (integer)：当前页渲染高度（像素）
  ├─ dpi (integer)：图片分辨率
  ├─ durations (number)：页面处理耗时（毫秒）
  ├─ status (string)：页面处理状态
  ├─ page_id (number)：当前页码
  ├─ angle (integer)：文本方向角度（0°: ▲ (正立)/90°: ▶ (右旋)/180°: ▼ (倒立)/270°: ◀ (左旋)）
  └─ image_id (string)：页面图片ID（下载方式同pages.image_id）

结构化数据规格说明 ：

Content（文字行/图像）

Image 图像数据

参数名	类型	描述
id	integer	数据ID
type	string	数据类型 (固定值: image)
pos	array	文本行四个角点坐标 格式：[左上(x,y), 右上(x,y), 右下(x,y), 左下(x,y)]
size	array	图像尺寸 [width, height]
data	object	图像内容物件
↳ data.region	array	图像在页面中的区域坐标
↳ data.path	string	图像档案路径
↳ data.base64	string	图像档案(jpg/png)的base64字串

Textline 文本行数据

参数名	类型	描述
id	integer	数据ID（页面内唯一）
type	string	数据类型 (固定值: line)
text	string	文本行文字内容 （当sub_type=stamp时为印章文字）
pos	array	文本行四个角点坐标
score	number	字符可信度 （仅输入入图像进行OCR时产生）

structured 数据

Textblock 文本区块

参数名	类型	描述
id	integer	数据ID
type	string	区块类型 (固定值: textblock)
pos	array	文字区块四个角点坐标
content	array	包含的文本行ID阵列
sub_type	string	子类型 (title/list/formula等)
text	string	区块文本内容
outline_level	integer	标题层级： -1=正文, 0=一级标题, 1=二级标题... (最多支持五级)

Table 表格数据

参数名	类型	描述
id	integer	数据ID
type	string	区块类型 (固定值: table)
sub_type	string	表格类型 （预设值：bordered，无线表格需特別标注）
pos	array	表格四個角点坐标
rows	integer	总行数
cols	integer	总列数
columns_width	array	列宽度阵列
rows_height	array	行高度阵列
text	string	表格内容（HTML/Markdown格式）

Imageblock 图像区块

参数名	类型	描述
id	integer	数据ID
type	string	区块类型 (固定值: image)
pos	array	图像区块四个角点坐标
text	string	图像标注文字 （HTML/Markdown格式）
image_url	string	图像档案路径
base64str	string	图像base64编码字符串

Footer 页尾区块

参数名	类型	描述
type	string	区块类型 (固定值: footer)
pos	array	区块四个角点坐标
blocks	array	内容区块阵列 （可包含 textblock/imageblock/table）

Header 页首区块

参数名	类型	描述
type	string	区块类型 (固定值: header)
pos	array	区块四個角点坐标
image_url	string	页首图像路径
base64str	string	页首图像base64编码
blocks	array	内容区块阵列 （可包含 textblock/imageblock/table）