|
在构建 RAG（检索增强生成）系统时，光有文档远远不够，一份结构清晰、可被理解的知识库才是模型“打怪升级”的关键。很多解析方案只是简单提取文字，忽略了段落、标题、表格、图表等结构信息，导致内容碎片化、上下文丢失，检索结果不准、回答效果不佳。 最终喂给大模型的是一堆“看不懂”的无结构输入，Attention 无法聚焦重点，RAG 效果自然大打折扣。如果你也遇到这些坑，不妨给自己点个赞：你已经意识到——RAG 的上限，其实从文档解析那一刻就已经被决定了。 “我的模型效果一直上不去，明明检索到的文档内容很丰富，却总回答跑题？”
“别急，也许问题就在文档解析这一环，花再多预算也补不回高质量‘燃料’。”
本篇文章，我们以EasyDoc为切入，深度实测其在不同模式下对多种文档的解析效果，并结合示例代码、JSON 输出样例及RAG 架构接入指南，全面解读为什么它堪称“RAG项目首选解析工具”。 EasyDoc 是一款强大的多模态文档处理 API，能够将杂乱无章的非结构化文档，精准转化为层次分明的结构化 JSON，使文档资产天然适配各类 LLM 应用。 专为 LLM 工作流而生，EasyDoc 为模型推理、微调与上下文优化提供高质量输入数据，是构建强健 AI 系统的理想底座。 EasyDoc提供三个模式以满足不同需求：Lite模式、Pro模式和Premium模式，其中Premium模式尤其擅长处理富含表格、图表和复杂布局的文档。如下面表格所示。 此外，EasyDoc主要输出结构化的JSON，因为对于AI应用和后续编程处理来说，这是最通用和最高效的格式。EasyDoc输出的JSON信息足够丰富，开发者如果需要，可以基于JSON结果将部分结构化数据转换成Markdown用于特定的展示目的。 ?? “开发者友好，开箱即用” 开发者如何集成EasyDoc？EasyDoc提供简洁明了的REST API。开发者可以轻松地将文档发送到对应模式（Lite, Pro, Premium）的API接口，并接收结构化的JSON结果。接下来，我以解析企业财报为案例，提供相应的文档和示例代码，帮助开发者快速上手。API 集成实战：3 步让你的项目接入 EasyDoc。 注册并获取 API Key
核心步骤：登录官网 → 注册账号 → 邮箱激活 → 获取api-key。 EasyDoc默认已经内置 $10 免费额度（Lite 模式最多可处理 5000 页，Pro+Lite 模式 2000 页，另赠送 500 页 Premium 模式体验），让你无门槛快速上手。 接下来创建api-key。 调用示例，提供了3种模式。 Lite 模式 curl--location--requestPOST'https://api.easydoc.sh/api/v1/parse'\--header'api-key:YOUR_API_KEY'\--form'file=@"./sample.pdf"'\--form'mode="lite"'题与语义标签。 Pro 模式 curl--location--requestPOST'https://api.easydoc.sh/api/v1/parse'\--header'api-key:YOUR_API_KEY'\--form'file=@"./report.docx"'\--form'mode="pro"' Premium 模式 curl--location--requestPOST'https://api.easydoc.sh/api/v1/parse'\--header'api-key:YOUR_API_KEY'\--form'file=@"./complex-table.pdf"'\--form'mode="premium"' 接下来，使用Python代码进行贵州茅台半年报PDF的解析。 #!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time : 2025/4/20 11:53
# @File : demo.py
# @Software: PyCharm
importrequests
importos
importargparse
defparse_pdf_with_easydoc(api_key,file_path,mode="premium"):
"""
使用 EasyDoc API 解析 PDF 文件。
参数:
api_key (str): 你的 EasyDoc API 密钥
file_path (str): PDF 文件的路径
mode (str): 解析模式，默认为 "premium"
返回:
dict: API 的解析响应
"""
url ="https://api.easydoc.sh/api/v1/parse"
# 检查文件是否存在
if notos.path.isfile(file_path):
raiseFileNotFoundError(f"文件未找到:{file_path}")
# 准备请求的文件和数据
files = {
'file': (os.path.basename(file_path),open(file_path,'rb'),'application/pdf')
}
data = {
'mode': mode
}
headers = {
'api-key': api_key
}
try:
response = requests.post(url,headers=headers,files=files,data=data)
response.raise_for_status() # 对于 4XX/5XX 响应抛出异常
returnresponse.json()
exceptrequests.exceptions.RequestExceptionase:
print(f"向 EasyDoc API 发送请求时出错:{e}")
return None
finally:
# 确保关闭文件
files['file'][1].close()
defmain():
parser = argparse.ArgumentParser(description='使用 EasyDoc API 解析 PDF')
parser.add_argument('--api-key',required=False,help='你的 EasyDoc API 密钥')
parser.add_argument('--file',required=False,help=' DF 文件路径')
parser.add_argument('--mode',default='premium',choices=['lite','pro','premium'],
help='解析模式（standard 或 premium）')
parser.add_argument('--output',help='输出文件路径（JSON 格式）')
args = parser.parse_args()
# 解析 PDF
args.api_key ="Nju7CvHclRCoKvGeIPajAfZhIOpV3Xr2"
args.file ="茅台半年报.pdf"
args.output ="result.json"
result = parse_pdf_with_easydoc(args.api_key,args.file,args.mode)
ifresult:
print("DF 解析成功！")
# 如果指定了输出文件，则保存结果
ifargs.output:
importjson
withopen(args.output,'w',encoding='utf-8')asf:
json.dump(result,f,ensure_ascii=False,indent=2)
print(f"结果已保存到{args.output}")
if__name__ =="__main__":
main()
运行代码进行任务提交： 添加成功之后，可以在EasyDoc平台看到任务列表：根据task_id获取解析结果 #!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Time : 2025/4/20 12:08
# @File : demo2.py
# @Software: PyCharm
importrequests
importtime
importjson
defget_parse_result(api_key,task_id,max_retries=10,retry_interval=5):
"""
根据 task_id 获取解析结果。
参数:
api_key (str): 你的 EasyDoc API 密钥
task_id (str): 解析任务的ID
max_retries (int): 最大重试次数，默认为10
retry_interval (int): 重试间隔（秒），默认为5
返回:
dict: 解析结果
"""
url =f"https://api.easydoc.sh/api/v1/parse/{task_id}/result"
headers = {
'api-key': api_key
}
retries =0
whileretries < max_retries:
try:
response = requests.get(url,headers=headers)
response.raise_for_status()
result = response.json()
# 检查任务状态
if notresult.get('success'):
print(f"获取结果失败:{result.get('errMessage')}")
return None
task_status = result.get('data',{}).get('task_status')
iftask_status =="SUCCESS":
returnresult
eliftask_status =="ERROR":
print(f"解析任务出错")
returnresult
eliftask_statusin["ENDING","ROGRESSING"]:
print(f"任务状态:{task_status}，等待{retry_interval}秒后重试...")
time.sleep(retry_interval)
retries +=1
else:
print(f"未知任务状态:{task_status}")
returnresult
exceptrequests.exceptions.RequestExceptionase:
print(f"获取解析结果时出错:{e}")
retries +=1
time.sleep(retry_interval)
print(f"达到最大重试次数 ({max_retries})，无法获取结果")
return None
result = get_parse_result(
api_key="Nju7CvHclRCoKvGeIPajAfZhIOpV3Xr2",
task_id="parse_952cb465-cbe1-4e49-ab01-d06dde9288a1"
)
print(result)
withopen("easydoc_result.json","w",encoding="utf-8")asf:
json.dump(result,f,ensure_ascii=False,indent=4)
EasyDoc真正做到“让 AI 秒懂文档”，将复杂混乱的文档一键转为“AI 能读懂的结构化 JSON”，让 RAG 系统的检索准确率与生成质量双双大幅提升。
复杂文档如何一键结构化？图表+表格也不怕！
图形理解
表格理解
层次分析
分栏表格理解
分栏图形理解-柱状图
分栏图形理解-折线图
层次理解
跨页表格合并
? “RAG 必备预处理器” EasyDoc 是实现高质量检索增强生成（RAG）的关键第一步。通过保留标题、段落、列表、表格等结构信息，它显著提升向量检索的相关性与召回精度，为 LLM 提供更聚焦的上下文，从而提升回答质量。 EasyDoc作为AI驱动的文档解析工具。它能将多种文档格式（如PDF、图片）转换成结构化的JSON数据。 与基础OCR不同，EasyDoc能深度理解文档的布局、文本、表格乃至图表，使得输出数据非常适合AI应用（如RAG、知识库构建、数据提取、报告分析）。 在RAG应用的测评中，面对“宁德时代的相对指数表现如何？”这一问题，模型不仅给出了较为准确的回答，还提供了对应的文档引用，增强了结果的可追溯性与可信度。
同样地，我们在RAG问答应用中测试了EasyDoc在图表理解方面的表现。如图所示，其在表格数据的提取与总结方面同样展现出显著优势，能够高效且精准地识别和提炼关键信息。? “超越 OCR 的理解力”不止识字，EasyDoc 能真正“读懂”文档。它准确识别表格的行列逻辑、合并单元格、图文混排内容，甚至能够解析图表结构，远超传统 OCR 所能达到的语义理解能力。 EasyDoc可以处理各种常见文件格式（.doc,.docx,.ppt,.pptx,.txt,.pdf）。 ? “复杂文档，一网打尽”面对跨页报表、嵌套图表、图文混排报告等高复杂度文档，EasyDoc 依然稳定输出结构清晰的结果。无论是科研论文、财务报表还是产品白皮书，它都能轻松应对。 这是EasyDoc的一大核心优势，尤其是Premium模式，目前推广期间每个新用户送500页免费额度！它运用先进的AI和视觉技术，不仅能从单元格提取文本，更能理解真实的表格结构——行、列、表头乃至合并单元格。它还能智能处理跨页的表格，并在JSON输出中将它们逻辑上拼接完整。 | 
