logo

PDF 文本提取(文本/Markdown/逐页/元数据)

把 PDF(URL 或 base64)变成干净的结构化数据:全文纯文本、按版面重建的 Markdown、逐页内容和文档元数据;支持页范围、加密 PDF、并行批处理;输出超过单条记录上限自动拆分(documentId/part/partCount),可直接进 RAG、向量库与智能体

发布者
价格
¥0.005 / 条
最近更新
2026-11-17

概览

喂给 LLM 的文档最怕两件事:PDF 直接抽出来全是断裂的行和页眉页脚噪声,向量化后检索质量很差;扫描件干脆一点文本都拿不到。

这份数据把 PDF 变成干净的结构化结果:给一个直链(或 base64 内容),返回全文纯文本、按版面重建的 Markdown(标题、段落、列表自动识别)、逐页内容、文档元数据(标题/作者/创建时间等),一行一份文档,直接进 RAG、向量库或智能体。

数据说明

支持批量:一次运行可给多个 URL,可设并行数;支持页范围(如"只要前 10 页")和加密 PDF(提供密码即可)。下载失败、链接不是 PDF、文件超大的文档会以失败行返回并附明确原因,不影响其余文档;失败的文档不计费。

当单份文档的输出超过平台单条记录上限(约 1MB)时,会自动拆成多行:这些行共享同一个 Document ID,用 Part / Part Count 标记顺序,把各行的正文(和 Markdown)按顺序拼接即可得到完整文档。

Markdown 结构是启发式重建(PDF 本身没有语义标注):字号明显偏大的行识别为标题,列表符号开头识别为条目,对报告、论文、发票类文档效果好;重设计版面(海报、画册)可能偏平。扫描件/纯图片页本版本不做文字识别,返回空文本。

结果长什么样

一条记录对应一份文档(示例:arXiv 论文):

File NameStatusPage CountText(节选)Word Count
1706.03762success15Attention Is All You Need. The dominant sequence transduction models…6527

开启逐页文本后,每行还带 Pages 数组:[{页码, 该页文本, 是否OCR}]。

应用场景

RAG 知识库:把论文、年报、产品手册批量转 Markdown 进向量库,标题结构让分块更自然。

发票与单据处理:批量拉取供应商发票文本(含加密文件)供下游解析;扫描件本版本不支持。

合规与检索:让合同档案、法院文书可全文检索;用页范围只处理需要的章节。

适用边界

本部署不含 OCR 引擎(平台基础镜像无 Tesseract、Dockerfile 不允许加装系统包):扫描件/纯图片页返回空文本,ocr.pagesOcred 恒为 0,ocrScannedPages 等输入仅保留兼容并回显;不支持门户文件上传(pdfFile)与代理回退下载(proxyConfiguration);下载失败的文档按 failed 行返回并在 error 说明(HTTP 错误、非 PDF、超大小、加密);单文档输出超过平台单条记录 1MB 上限时自动拆分为多行(documentId 相同,part/partCount 标记,text 与 markdown 按 part 顺序拼接、pages 按页码拼接);URL 须指向 PDF 文件本身而非预览页;Markdown 结构为启发式识别(PDF 无真实语义),面向报告/论文/发票类文档,重设计版面可能偏平

  • 适合用于
  • 把报告、论文、手册批量转成 Markdown/文本喂给 LLM、向量库或 RAG 管线
  • 发票、合同、公文等文档的文本入库与检索(含加密文件,需提供密码)
  • 只需某几页内容时用页范围精准提取,避免整本处理
  • 不要用于
  • 纯扫描件需要识别文字(本部署无 OCR,返回空文本)
  • 需要结构化表格抽取(表格按普通文本行输出)或图片提取
  • PDF 在内网/需登录才能下载(URL 必须可公开直连)

失败处理

开发者声明的失败与重试处理方式,接入时建议一并写进系统提示词。

  1. 1单个 PDF 下载或解析失败只影响该文档:按 failed 行返回并给明确原因,不影响其余文档
  2. 2URL 返回的内容不是 PDF(预览页/HTML)时报错并标 failed
  3. 3超过 maxPdfSizeMb 的文件跳过并按 failed 行返回
  4. 4加密文档缺密码或密码错误时按 failed 行返回

输入参数

调用本 Data App 需要传入的参数,与 manifest.json 的 input.schema 同源。

  • PDF URLsurls选填array<string>
    PDF 文件的直链列表;每个 URL 须指向可下载的 PDF 文件本身(不是预览页),自动跟随重定向。
    示例["https://arxiv.org/pdf/1706.03762"]
  • Base64 PDFsbase64Pdfs选填array<object>
    Base64 编码的 PDF 内容,用于 API 调用;每项为 {"filename": "doc.pdf", "data": "..."} 对象(data 允许 data-URI 前缀),与 urls 可混用。
  • PDF PasswordpdfPassword选填string
    加密 PDF 的打开密码,作用于本次运行中所有需要密码的文档;缺失或错误时该文档按 failed 行返回。
  • Page RangepageRange选填string
    只提取指定页,如 '1-5, 8, 12-'('12-' 表示第 12 页到最后一页);留空提取全部页,对本次运行的所有 PDF 生效。
    示例1-10
  • Full TextincludeFullText选填boolean
    在 text 字段返回文档完整纯文本。
    默认值true
  • MarkdownincludeMarkdown选填boolean
    在 markdown 字段返回按版面重建的 Markdown(标题/段落/列表),可直接喂 LLM、向量和 RAG。
    默认值true
  • Per Page TextincludePerPageText选填boolean
    返回 pages 数组(每页的页码、文本);大 PDF 关闭可显著减小输出行。
    默认值false
  • OCR Scanned PagesocrScannedPages选填boolean
    兼容原版输入而保留;本部署不含 OCR 引擎,扫描页返回空文本,ocr.pagesOcred 恒为 0。
    默认值false
  • OCR LanguageocrLanguage选填string(enum)
    兼容原版输入而保留;本部署不执行 OCR,该值仅回显在输出的 ocr.language 字段。
    可选值如 eng(eng 英语) / deu(deu 德语) / fra(fra 法语) / spa(spa 西语) / ita(ita 意语) / por(por 葡语) / nld(nld 荷语) / pol(pol 波兰语) …(共 23 项,试运行表单可搜索)默认值eng
  • Max OCR Pages per PDFocrMaxPagesPerPdf选填integer
    兼容原版输入而保留;本部署不执行 OCR。
    范围1–1000默认值100
  • Max ConcurrencymaxConcurrency选填integer
    并行处理的 PDF 数量;越高越快但占内存越多。
    范围1–20默认值5
  • Timeout per PDF (Seconds)timeoutPerPdfSecs选填integer
    单个 PDF 下载的最长等待时间(秒);大文件或慢速主机可调高。
    范围5–600默认值150
  • Max PDF Size (MB)maxPdfSizeMb选填integer
    超过此大小的 PDF 跳过并按 failed 行返回,保护运行内存。
    范围1–500默认值100

输出数据

单条记录的字段结构,与 manifest.json 的 output.schema 同源。

  • Document IDdocumentIdstring
    文档唯一标识(按来源 URL/文件名生成,跨次运行稳定);输出超限拆分的多行共享同一 documentId
    示例a3f8c21d9e0b4a17
  • URLurlstring
    PDF 来源 URL;base64 输入时为传入的文件名
    示例https://arxiv.org/pdf/1706.03762
  • File NamefileNamestring
    文件名(URL 去掉扩展名;base64 输入为传入的 filename)
    示例1706.03762
  • Statusstatusstring
    success(成功)/ failed(下载或解析失败,error 字段给原因)
    示例success

示例数据

以下示例按 output.schema 生成;未提供示例值的字段使用结构占位符。

output.example
{
  "documentId": "a3f8c21d9e0b4a17",
  "url": "https://arxiv.org/pdf/1706.03762",
  "fileName": "1706.03762",
  "status": "success",
  "error": "<error>",
  "pageCount": 15,
  "extractedPageCount": 15,
  "metadata": "{\"title\":\"Attention Is All You Need\",\"author\":\"\",\"subject\":\"\",\"keywords\":\"\",\"creator\":\"LaTeX with hyperref\",\"producer\":\"pdfTeX-1.40.25\",\"creationDate\":\"2024-04-10T21:11:43Z\",\"modificationDate\":\"\"}",
  "text": "Attention Is All You Need. The dominant sequence transduction models are based on recurrent or convolutional neural networks...",
  "markdown": "# Attention Is All You Need\n\nThe dominant sequence transduction models are based on recurrent or convolutional neural networks...",
  "pages": "[{\"page\":1,\"text\":\"Attention Is All You Need...\",\"ocr\":false}]",
  "ocr": "{\"enabled\":false,\"pagesOcred\":0,\"language\":\"eng\",\"capped\":false}",
  "charCount": 40026,
  "wordCount": 6527,
  "processedAt": "2026-11-17T08:00:00Z",
  "part": 1,
  "partCount": 2
}

调用方式

本 Data App 支持通过 MCP、API、SDK 与文件导出方式接入,各接入方式共享同一套能力与计价。所有请求统一使用 Authorization: Bearer 请求头完成身份认证,凭证为 API Key(长期有效,在开放平台创建);MCP 客户端另支持 OAuth 免密钥登录。CLI、Skill 等更多接入方式正在规划中。本 Data App 异步运行,支持中途取消:取消后任务停止;已写回的部分保留,按写回计费。

通过 MCP(Model Context Protocol)协议,可在 Claude、Cursor 等 AI 客户端中直接调用本 Data App。选择你的客户端与认证方式,复制下方配置即可接入。

客户端配置

把 Bearer 后替换为长期有效的 API Key 即可,各类客户端与 CI、无浏览器环境通用。

mcpServers 配置
{
  "mcpServers": {
    "bazhuayu_datahub": {
      "type": "http",
      "url": "https://mcp-v2.bazhuayu.com?pin=SpiderByte/realestate-au",
      "headers": { "Authorization": "Bearer <YOUR_API_KEY>" }
    }
  }
}

让 AI 自己完成配置

不想手动改配置?复制配置提示词,粘贴到任意 AI 客户端对话框,由它按自身方式完成接入(默认引导你登录授权,不会让你把 API Key 发在对话里)。

如需在同一个 MCP 连接里指定多个 Data App,前往 MCP 连接页(已为你指定本 Data App)。

价格

每份 PDF(成功处理)

按实际成功返回的数据条数计费,任务失败不计费。

¥0.005/ 条

多个计费事件按各自口径独立累计,具体以每一项说明为准;任务失败不计费。

立即体验

填写参数直接运行,结果来自真实调用。

示例
参数按 input.schema 校验后提交

共 23 项,输入筛选

¥0.005 / 条