docmind-doc-json-sdk 1.1.3

doc-json-sdk 调用云上docmind解析能力

DOC-JSON-SDK （PYTHON）

什么是DOC-JSON

DOC-JSON-SDK功能特点

• 提供DocMind文档结构化输出的doc-json结果反序列化对象，以及辅助功能函数SDK

使用场景

使用场景： DocMind 文档智能解析调用

阿里云官网 文档智能解析调用

集成方式

• 源码安装

#uv 准备环境
uv install
#使用虚拟环境
uv shell
# 构建
uv build
twine check $pkg_path
# 上传
twine upload -r aliyun-pypi pkg_path --verbose

• python 3.10以上 环境

云上环境

pip install docmind-doc-json-sdk

• 设置DocMind文档智能解析环境变量

export ALIBABA_CLOUD_ACCESS_KEY_ID=<access_key_id>
export ALIBABA_CLOUD_ACCESS_KEY_SECRET=<access_key_secret>
#调用服务

功能方法示例

1. 基础使用方式

1.1 云上文档智能解析

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_handler import DocumentExtractHandler

def test_document_handler():
    file_path = "/path/to/your/document.pdf"
    loader = DocumentModelLoader(handler=DocumentExtractHandler())
    document = loader.load(file_path=file_path, 
                          structure_type="layout",  # layout:版面OCR, doctree:层级跨页合并
                          reveal_markdown=True,     # 处理Markdown表格表示、图片链接表示
                          formula_enhancement=True, # 公式增强
                          use_url_response_body=True)

1.2 云上电子解析

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_handler import DocumentDigitalExtractHandler

def test_document_digital_handler():
    file_path = "/path/to/your/document.xlsx"
    file_url = None
    loader = DocumentModelLoader(handler=DocumentDigitalExtractHandler())
    document = loader.load(file_path=file_path,
                           file_url=file_url,
                           reveal_markdown=True,     # 处理markdown 表格表示、图片链接表示
                           use_url_response_body=True)

1.3 流式接口解析（支持回调）

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_handler import DocumentParserWithCallbackHandler

def test_document_with_callback_handler():
    file_path = "/path/to/your/document.docx"
    file_url = None
    
    def layout_callback(arg: Dict):
        if "markdownContent" in arg:
            print("Received layout:", arg["markdownContent"])
    
    handler = DocumentParserWithCallbackHandler(layout_callback)
    loader = DocumentModelLoader(handler=handler)
    loader.load(file_path=file_path, file_url=file_url, 
                save_json_path="/path/to/save/result.json")

1.4 私有化服务文档解析

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_private_handler import PrivateDocumentExtractHandler

def test_private_document_handler():
    file_url = "https://example.com/document.pdf"
    loader = DocumentModelLoader(handler=PrivateDocumentExtractHandler(host="your-private-host:port"))
    document = loader.load(file_url=file_url,
                          structure_type="doctree",
                          formula_enhancement=False,
                          markdown_result=True)

1.5 通过Request ID获取解析结果

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_handler import DocumentExtractHandler

def test_get_document_by_request_id():
    request_id = "your-request-id"
    loader = DocumentModelLoader(handler=DocumentExtractHandler())
    document = loader.load(request_id=request_id, 
                          markdown_result=True,
                          save_json_path="/path/to/save/result.json")

2. 高级功能使用

2.1 公式增强与Markdown输出

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_handler import DocumentExtractHandler

def test_render_formula_markdown():
    file_path = "gongshi.png"
    file_url = None
    handler = DocumentExtractHandler()
    loader = DocumentModelLoader(handler=handler)
    document = loader.load(file_path=file_path,file_url=file_url,
                           formula_enhancement=True,
                           markdown_result=True,
                           save_json_path="/Users/sanchuan/Downloads/docmind.json")

2.2 文档渲染为Markdown格式

from doc_json_sdk.loader.document_model_loader import DocumentModelLoader
from doc_json_sdk.handler.document_handler import DocumentExtractHandler,DocumentDigitalExtractHandler
from doc_json_sdk.render.document_model_render import DocumentModelRender

def test_render_markdown():
    file_path = "gongshi.png"
    file_url = None
    loader = DocumentModelLoader(handler=DocumentExtractHandler())
    document = loader.load(file_path=file_path,file_url=file_url,markdown_result=True)
    render = DocumentModelRender(document_model=document)
    with open("/Users/sanchuan/Downloads/docmind.md","w") as f:
        f.write(render.render_markdown_result())

3. 参数说明

loader.load 支持参数

3.1 公共参数

参数名	类型	说明	默认值
file_path	str	本地文件路径	None
file_url	str	文件URL地址	None
request_id	str	请求ID	None
save_json_path	str	保存JSON结果的路径	None
markdown_result	bool	是否处理Markdown格式	False
reveal_markdown	bool	是否处理Markdown格式（同markdown_result）	False

3.2 文档智能解析参数（DocumentExtractHandler）

参数名	类型	说明	默认值
structure_type	str	结构化类型配置，可选值为'layout','doctree'	"doctree"
formula_enhancement	bool	公式增强开关	False
use_url_response_body	bool	是否使用URL响应体	False
http_proxy	str	HTTP代理	None
https_proxy	str	HTTPS代理	None

3.3 电子解析参数（DocumentDigitalExtractHandler）

参数名	类型	说明	默认值
reveal_markdown	bool	是否处理Markdown格式	False
use_url_response_body	bool	是否使用URL响应体	False

3.4 流式解析参数（DocumentParserWithCallbackHandler）

参数名	类型	说明	默认值
llm_enhancement	bool	大模型增强开关	False
llmparam	dict	大模型参数配置	None
enhancement_mode	str	增强模式，如'VLM'表示视觉语言模型增强	None

3.5 私有化服务参数（PrivateDocumentExtractHandler）

参数名	类型	说明	默认值
host	str	私有化服务主机地址	"127.0.0.1:7001"
structure_type	str	结构化类型配置，可选值为'layout','doctree'	"doctree"
formula_enhancement	bool	公式增强开关	False

4. Layout版面块处理

LayoutModel 对象分为内容信息（来源电子解析/OCR）、版面类型信息（来源OCR/NLP）、逻辑关系信息（来源NLP）

from doc_json_sdk.model.enums.layout_type_enum import LayoutTypeEnum

for layout in document:
    type_enum = layout.get_layout_type_enum()
    if (type_enum == LayoutTypeEnum.Elements.FOOTER or
            type_enum == LayoutTypeEnum.Elements.HEADER or
            type_enum == LayoutTypeEnum.Elements.NOTE):
        #  header and footer notes
        pass
    elif type_enum == LayoutTypeEnum.Elements.IMAGE:
        # image with head_line or split_line
        if layout.type.find("_line")!=-1:
            continue
    elif type_enum == LayoutTypeEnum.Elements.TABLE:
        #table
        pass
    else:
        # paragraph or note(table or figure)
        pass