核心用法
PaddleOCR 文档解析技能专为复杂文档结构化提取设计，通过调用 PaddleOCR 官方 API 实现高精度版面分析。用户需配置 PADDLEOCR_DOC_PARSING_API_URL 和 PADDLEOCR_ACCESS_TOKEN 环境变量后，执行 python scripts/vl_caller.py 脚本，支持 --file-url 或 --file-path 输入，输出包含完整文档结构的 JSON 数据。
关键特性：
- 多模态解析：同时提取文本、表格（保留行列结构）、数学公式（LaTeX 格式）、图表及印章
- 版面还原：智能识别多栏布局、页眉页脚、阅读顺序
- 灵活输出：支持
--pretty格式化、--stdout直出或默认保存至系统临时目录 - 分页处理：PDF 支持 100 页/请求，提供
split_pdf.py工具提取指定页面
输出字段说明：
text：全文档 Markdown 聚合文本result[n].markdown：单页渲染输出result[n].prunedResult：结构化解析数据（含位置、置信度等元信息）
显著优点
1. 百度飞桨官方背书：依托 PaddleOCR 开源生态，模型经过工业级数据训练，中文文档识别准确率领先
2. 复杂版面专攻：相比纯文本 OCR，针对性解决表格嵌套、公式混排、多栏杂志等复杂场景
3. 结构化保留：输出 JSON 完整保留文档层级关系，便于后续自动化处理（如 RAG 知识库构建）
4. 零本地算力依赖：云端 API 模式，无需本地 GPU 配置
潜在缺点与局限性
- 强依赖外部 API：需付费或申请 Token，网络波动直接影响可用性，离线环境完全无法使用
- 硬性配置门槛：必须预装 Python 环境并正确配置三个环境变量，对非技术用户不够友好
- 输出体积庞大：复杂文档的 JSON 输出可能达数 MB，需自行过滤提取目标内容
- 100页硬性限制：超长 PDF 需预处理拆分，增加使用复杂度
- 无容错回退：文档明确禁止"AI 自行分析"等替代方案，API 失败即终止服务
适合人群
- 需要处理财务报告、学术论文、合同发票等含复杂表格/版面的数字化工作者
- 构建文档智能（Document AI） pipeline 的开发者，需结构化数据输入
- 对中文文档识别质量有高要求，且能接受云服务模式的用户
常规风险
| 风险类型 | 说明 |
|---------|------|
| 数据隐私 | 文档内容上传至第三方云端 API，敏感文件存在外泄风险 |
| 服务中断 | API 配额耗尽（429）或 token 失效将直接导致服务不可用 |
| 凭证泄露 | 用户可能在聊天中粘贴 Access Token，存在会话历史留存隐患 |
| 结果完整性 | 尽管 API 返回全量数据，但 AI agent 需严格遵循"不截断"指令，否则易遗漏内容 |
建议：企业敏感文档优先评估私有化部署方案；定期检查 API 配额与 token 有效期。