核心用法
u2-doc-parser 是一款基于 UniDoc 云 API 的文档解析工具，支持将多种格式（PDF、DOC、DOCX、PNG、JPG 等）转换为结构化文本输出。用户可通过命令行调用 scripts/unidoc_parse.py 脚本，灵活选择输出格式与处理模式。
基础命令结构：
- 默认输出到终端：
python scripts/unidoc_parse.py /path/to/file.pdf - 保存到文件：
--output result.md - JSON 格式异步转换：
--format json --mode async
关键参数：
| 参数 | 选项 | 说明 |
|---|---|---|
| `--format` | `md`（默认）/ `json` | 输出格式 |
| `--mode` | `sync`（默认）/ `async` | 同步等待或轮询状态 |
| `--func` | `unisound`（默认） | 转换算法方法 |
| `--uid` | 自定义 UUID | 用户标识 |
异步模式采用每秒轮询机制，最长等待 5 分钟，适合大文件或批量场景。
显著优点
1. 格式覆盖广：原生支持 Office 文档与图像 OCR 解析
2. 零配置门槛：无需 API Key 即可使用 UAT 环境
3. 双模式灵活：同步即时反馈，异步避免阻塞
4. 管道友好：支持 stdout 输出与 Unix 管道链式操作
5. 轻量依赖：单 Python 脚本即可运行
潜在缺点与局限性
- 隐私风险极高：文档必须上传至第三方服务器（
unidoc.uat.hivoice.cn），无端到端加密说明 - 无身份认证：UAT 环境缺乏访问控制，存在数据泄露隐患
- 服务稳定性依赖：云 API 可用性、速率限制、文件大小上限均由服务商控制
- UAT 环境限制：测试环境可能随时变更或下线，不适合生产环境
- 缺乏本地处理能力：完全依赖网络，离线不可用
适合人群
- 需要快速原型验证的开发者与研究人员
- 处理公开、非敏感文档的自动化工作流
- 已有数据脱敏流程的企业测试场景
常规风险
| 风险类型 | 等级 | 说明 |
|---|---|---|
| 数据隐私 | **高** | 文件上传至境外/第三方服务器，敏感信息外泄 |
| 服务可用性 | 中 | 云 API 单点故障，无 SLA 保障 |
| 合规性 | 高 | 可能违反企业数据不出境/不上云政策 |
| 误操作 | 低 | 用户可能忽略隐私警告，误传机密文件 |
强烈建议：仅用于公开测试文档，正式业务需评估私有化部署或本地 OCR 方案。