求一个国内好用的PDF文档解析API

Banky

如题，最近开发一个项目，需要用到PDF文档解析，文心用的OpenAI的ChatFile，所以不提供API接口，国内是否还有其他好用的开放API的PDF文档解析呢？

FishC

在国内，有一些好用的开放API可以用于PDF文档解析。以下是其中几个较受欢迎的选择：

1. 百度AI开放平台：百度提供了一套强大的OCR（光学字符识别）服务，可以将PDF中的文字内容提取出来。你可以访问百度AI开放平台并注册账号，然后使用OCR接口对PDF进行解析。

2. 腾讯云OCR：腾讯云提供了一套OCR服务，也可以用于PDF文档解析。你需要前往腾讯云开放平台注册账号，并使用OCR接口完成PDF文档的解析。

这些平台都提供了详细的使用文档和示例代码，你可以根据文档中的说明进行接入和调用。以百度AI开放平台为例，下面是一个简单的Python代码示例，展示了如何使用百度OCR接口解析PDF文档：

1. import requests
   
2. 
   
3. # 请求URL
   
4. url = "https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic"
   
5. # 获取token地址
   
6. token_url = "https://aip.baidubce.com/oauth/2.0/token"
   
7. 
   
8. # 获取access_token
   
9. def get_access_token():
   
10.     # 填写自己的API Key和Secret Key
    
11.     client_id = "Your API Key"
    
12.     client_secret = "Your Secret Key"
    
13.    
    
14.     params = {
    
15.         "grant_type": "client_credentials",
    
16.         "client_id": client_id,
    
17.         "client_secret": client_secret
    
18.     }
    
19.     response = requests.get(token_url, params=params)
    
20.     result = response.json()
    
21.    
    
22.     return result["access_token"]
    
23. 
    
24. # 解析PDF文档
    
25. def parse_pdf(pdf_path, access_token):
    
26.     with open(pdf_path, 'rb') as f:
    
27.         pdf_content = f.read()
    
28. 
    
29.     headers = {'Content-Type': 'application/x-www-form-urlencoded'}
    
30.     params = {
    
31.         'access_token': access_token,
    
32.         'type': 'pdf',
    
33.         'detect_direction': 'true'
    
34.     }
    
35.     data = {'image': pdf_content}
    
36. 
    
37.     response = requests.post(url, headers=headers, params=params, data=data)
    
38.     result = response.json()
    
39.    
    
40.     # 处理解析结果
    
41.     if 'error_code' in result:
    
42.         print('解析失败，错误码：', result['error_code'])
    
43.     else:
    
44.         for item in result['data']:
    
45.             print(item['words'])
    
46. 
    
47. # 获取access_token
    
48. access_token = get_access_token()
    
49. # 解析PDF文档
    
50. parse_pdf('your_pdf_path', access_token)

复制代码

以上代码仅为示例，你需要替换其中的API Key和Secret Key，并提供待解析的PDF文件路径。具体使用方法请参考对应平台的文档。

希望对你有帮助！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

Banky

不要通用OCR文字解读，要PDF全文分析

FishC

Banky 发表于 2024-02-27 15:12
不要通用OCR文字解读，要PDF全文分析

如果你需要对PDF文档进行全文分析，提取文字、表格、图像等元素的结构化数据，可以尝试使用以下国内的PDF解析API：

1. 腾讯云PDF解析：腾讯云提供了一套PDF解析服务，可以将PDF文档转换为可编辑的文本格式，并提供表格识别、图像提取等功能。你需要前往腾讯云开放平台注册账号，并使用PDF解析API完成相应操作。具体的使用文档和示例代码可以在腾讯云开放平台上找到。

2. 百度文档识别：百度AI开放平台提供了文档识别服务，支持PDF文档的结构分析、文字提取、表格解析等功能。你可以通过百度AI开放平台注册账号，并根据文档中的指引进行PDF文档解析。同样，你可以在百度AI开放平台上找到详细的使用文档和示例代码。

以下是一个使用腾讯云PDF解析API的简单Python代码示例：

1. import requests
   
2. 
   
3. # 通过腾讯云接口解析PDF文档
   
4. def parse_pdf(pdf_url, secret_id, secret_key):
   
5.     url = "https://recognition.image.myqcloud.com/ocr/pdf"
   
6.     headers = {
   
7.         "Host": "recognition.image.myqcloud.com",
   
8.         "Content-Type": "application/json"
   
9.     }
   
10.     data = {
    
11.         "url": pdf_url,
    
12.         "appid": "1251234567",  # 替换为自己的腾讯云App ID
    
13.         "bucket": "your-bucket",  # 替换为存放PDF的腾讯云存储桶名称
    
14.         "region": "ap-guangzhou",  # 替换为对应的地域信息
    
15.         "is_sync": True
    
16.     }
    
17.     auth = {
    
18.         "Authorization": "TC3-HMAC-SHA256 Credential={}/2020-12-19/image/tc3_request, SignedHeaders=content-type;host, Signature={}".format(secret_id, secret_key)
    
19.     }
    
20.     response = requests.post(url, json=data, headers=headers, auth=auth)
    
21.     result = response.json()
    
22.     if result.get("code") == 0:
    
23.         text_result = result.get("result").get("TextResult")
    
24.         # 提取结构化的文字数据进行后续处理
    
25.         print(text_result)
    
26.     else:
    
27.         error_message = result.get("message")
    
28.         print("解析失败，错误信息：", error_message)
    
29. 
    
30. # 使用腾讯云API解析PDF文档
    
31. parse_pdf("your_pdf_url", "your_secret_id", "your_secret_key")

复制代码

请替换代码中的相关参数，并提供符合要求的PDF文件URL。具体API调用方法请参考对应平台的文档。

希望对你有帮助！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

Banky

FishC 发表于 2024-2-27 15:13
如果你需要对PDF文档进行全文分析，提取文字、表格、图像等元素的结构化数据，可以尝试使用以下国内的P ...

如何用Flask框架提取一个SQL对应的“question”列的所有内容到word文档，请帮我写一段Python代码

FishC

Banky 发表于 2024-03-11 09:37
如何用Flask框架提取一个SQL对应的“question”列的所 ...

当使用Flask框架提取数据库中的内容并生成Word文档时，可以使用python-docx库来操作Word文档。以下是一个示例代码，展示了如何使用Flask框架和python-docx库来提取数据库中某一列的内容，并将其保存到Word文档中：

1. from flask import Flask, render_template
   
2. from docx import Document
   
3. 
   
4. app = Flask(__name__)
   
5. 
   
6. # 假设数据库连接已经配置好，数据表名为questions，"question"列存放问题内容
   
7. 
   
8. 
   
9. @app.route('/export', methods=['GET'])
   
10. def export_to_word():
    
11.     # 查询数据库，获取所有question的内容
    
12.     data = query_questions()
    
13. 
    
14.     # 创建Word文档
    
15.     document = Document()
    
16. 
    
17.     # 添加标题
    
18.     document.add_heading('Questions', level=1)
    
19. 
    
20.     # 添加问题内容
    
21.     for question in data:
    
22.         document.add_paragraph(question)
    
23. 
    
24.     # 保存Word文档
    
25.     document.save('questions.docx')
    
26. 
    
27.     return 'Export to Word successfully!'
    
28. 
    
29. 
    
30. def query_questions():
    
31.     # 连接数据库，查询question列的内容并返回
    
32.     # 在这里编写你的数据库查询代码
    
33.     # 假设你已经获得了问题的内容列表q_list
    
34.     q_list = ["Question 1", "Question 2", "Question 3"]
    
35.     return q_list
    
36. 
    
37. 
    
38. if __name__ == '__main__':
    
39.     app.run(debug=True)

复制代码

在上述代码中，我们首先使用Flask创建了一个路由`/export`，在该路由下定义了一个名为`export_to_word`的函数，用于从数据库中提取问题内容并生成Word文档。其中的`query_questions()`函数用于模拟查询数据库，返回问题内容列表。

在`export_to_word`函数中，我们使用python-docx库创建一个空的Word文档，然后根据查询到的问题内容逐个添加到文档中。最后通过调用`document.save('questions.docx')`保存生成的Word文档。

最后，当你运行该Flask应用并访问`/export`路由时，程序会从数据库中获取问题内容，并生成名为`questions.docx`的Word文档。

请注意，这只是一个简单的示例代码，你需要根据你的实际情况进行相应的修改和完善，特别是关于数据库连接和查询部分。希望对你有所帮助！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。