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：

import requests

# 请求URL
url = "https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic"
# 获取token地址
token_url = "https://aip.baidubce.com/oauth/2.0/token"

# 获取access_token
def get_access_token():
    # 填写自己的API Key和Secret Key
    client_id = "Your API Key"
    client_secret = "Your Secret Key"
    
    params = {
        "grant_type": "client_credentials",
        "client_id": client_id,
        "client_secret": client_secret
    }
    response = requests.get(token_url, params=params)
    result = response.json()
    
    return result["access_token"]

# 解析PDF文档
def parse_pdf(pdf_path, access_token):
    with open(pdf_path, 'rb') as f:
        pdf_content = f.read()

    headers = {'Content-Type': 'application/x-www-form-urlencoded'}
    params = {
        'access_token': access_token,
        'type': 'pdf',
        'detect_direction': 'true'
    }
    data = {'image': pdf_content}

    response = requests.post(url, headers=headers, params=params, data=data)
    result = response.json()
    
    # 处理解析结果
    if 'error_code' in result:
        print('解析失败，错误码：', result['error_code'])
    else:
        for item in result['data']:
            print(item['words'])

# 获取access_token
access_token = get_access_token()
# 解析PDF文档
parse_pdf('your_pdf_path', access_token)

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：

import requests

# 通过腾讯云接口解析PDF文档
def parse_pdf(pdf_url, secret_id, secret_key):
    url = "https://recognition.image.myqcloud.com/ocr/pdf"
    headers = {
        "Host": "recognition.image.myqcloud.com",
        "Content-Type": "application/json"
    }
    data = {
        "url": pdf_url,
        "appid": "1251234567",  # 替换为自己的腾讯云App ID
        "bucket": "your-bucket",  # 替换为存放PDF的腾讯云存储桶名称
        "region": "ap-guangzhou",  # 替换为对应的地域信息
        "is_sync": True
    }
    auth = {
        "Authorization": "TC3-HMAC-SHA256 Credential={}/2020-12-19/image/tc3_request, SignedHeaders=content-type;host, Signature={}".format(secret_id, secret_key)
    }
    response = requests.post(url, json=data, headers=headers, auth=auth)
    result = response.json()
    if result.get("code") == 0:
        text_result = result.get("result").get("TextResult")
        # 提取结构化的文字数据进行后续处理
        print(text_result)
    else:
        error_message = result.get("message")
        print("解析失败，错误信息：", error_message)

# 使用腾讯云API解析PDF文档
parse_pdf("your_pdf_url", "your_secret_id", "your_secret_key")

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：

from flask import Flask, render_template
from docx import Document

app = Flask(__name__)

# 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


@app.route('/export', methods=['GET'])
def export_to_word():
    # 查询数据库，获取所有question的内容
    data = query_questions()

    # 创建Word文档
    document = Document()

    # 添加标题
    document.add_heading('Questions', level=1)

    # 添加问题内容
    for question in data:
        document.add_paragraph(question)

    # 保存Word文档
    document.save('questions.docx')

    return 'Export to Word successfully!'


def query_questions():
    # 连接数据库，查询question列的内容并返回
    # 在这里编写你的数据库查询代码
    # 假设你已经获得了问题的内容列表q_list
    q_list = ["Question 1", "Question 2", "Question 3"]
    return q_list


if __name__ == '__main__':
    app.run(debug=True)

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。