TextIn ParseX文档解析SDK工具新增Java版本

TextIn ParseX通用文档解析是一款大模型友好的解析工具，支持将pdf文档、jpg、img图像等文件快速转换为markdown格式，支持各类表格、公式解析，帮助大语言模型的数据清洗和文档问答任务。此前，为了让用户获得文档解析引擎返回的丰富版面元素，我们推出了一系列的sdk函数（+link），包括目录树、公式、表格、图片、全文markdown等结果的获取函数；同时开源了前端可视化组件（+link），满足用户个性化的校对使用需求。

近日，为便于使用Java语言的开发者调用文档解析引擎，TextIn ParseX SDK工具新增Java版本。

SDK工具Java版地址：https://github.com/intsig-textin/parsex-sdk/tree/main/java

SDK功能介绍

这是一套标准的多平台支持的Java SDK，帮助开发者解析pdf_to_markdownRestful API返回结果，获取对应的版面元素的数据结构。

开发者只需下载jar包，并导入到自己的项目中即可使用。

SDK使用方法

在项目中引入jar包后即可使用。

# 以下为gradle的配置方式
implementation 'io.github.supperai:parse_sdk:1.0.1'

# 以下为maven的配置方式
<dependency>
    <groupId>io.github.supperai</groupId>
    <artifactId>parse_sdk</artifactId>
    <version>1.0.1</version>
</dependency>

SDK使用示例

示例展示了如何使用TextInParseX SDK来解析PDF文件并提取其中的各种元素。完整示例代码请访问上方Github链接，查看
TextInParseX/src/test/TestSDK.java。

初始化

首先，导入必要的包并初始化 ParseXClient：

import com.textinparsex.ParseXClient;
import com.textinparsex.model.*;
import org.opencv.core.Mat;

import java.util.List;

public class TextInParseXExample {
    public static void main(String[] args) throws Exception {
        // 加载 OpenCV 库
        System.load("/path/to/opencv/library.so");

        // 初始化 ParseXClient
        ParseXClient parseXClient = new ParseXClient("your_app_id_here", "your_secret_code_here");

        // 指定要分析的 PDF 文件路径
        String pdfFilePath = "/path/to/your/document.pdf";

        // 指定解析的api url，请参考api文档确定参数
        String apiUrl = "https://api.textin.com/ai/service/v1/pdf_to_markdown?markdown_details=1&apply_document_tree=1&page_details=1&get_image=both";

        // 开始分析文档
        Document result = parseXClient.beginAnalyzeDocumentFromUrl(pdfFilePath, apiUrl);

        // ... 后续代码
    }
}

获取 Markdown 内容

提取并打印文档的Markdown格式内容：

System.out.println("Markdown content:");
System.out.println(result.getAllMarkdown());

提取所有文本

获取并打印文档中的所有文本内容：

System.out.println("\nAll text in document:");
parseXClient.printAllElements(result.getAllText(), 0, 1000);

处理表格

获取并打印文档中的所有表格：

System.out.println("\nTotal tables in document:");
List<Table> tables = result.getAllTables();
for (int i = 0; i < tables.size(); i++) {
    System.out.println("Table " + (i + 1) + ":");
    parseXClient.printAllElements(tables.get(i));
}

处理段落和文本行

获取并打印文档中的所有段落和文本行：

System.out.println("\nTotal paragraphs in document:");
List<Paragraph> paragraphs = result.getAllParagraphs();
for (int pIdx = 0; pIdx < paragraphs.size(); pIdx++) {
    Paragraph paragraph = paragraphs.get(pIdx);
    System.out.println("\n--- Paragraph " + (pIdx + 1) + "/" + paragraphs.size() + " ---");
    System.out.println("Paragraph position: " + paragraph.getPos());

    List<Object> lines = paragraph.getLines();
    for (int lIdx = 0; lIdx < lines.size(); lIdx++) {
        Object line = lines.get(lIdx);
        System.out.println("  Line " + (lIdx + 1) + "/" + lines.size());
        if (line instanceof ContentTextLine) {
            ContentTextLine textLine = (ContentTextLine) line;
            System.out.println("    Line position: " + textLine.getPos());
            System.out.println("    Line text: " + textLine.getText());
        }
    }
}

处理图片

获取并打印文档中的所有图片信息：

System.out.println("\nTotal images in document:");
List<ContentImage> images = result.getAllImages();
for (int i = 0; i < images.size(); i++) {
    System.out.println("Image " + (i + 1) + ":");
    parseXClient.printAllElements(images.get(i));
}

处理 OpenCV Mat 图片

获取并打印文档中所有图片的OpenCV Mat对象：

System.out.println("\nTotal images (as OpenCV Mat) in document:");
List<Mat> cvImages = result.getAllImagesCvMat();
for (int i = 0; i < cvImages.size(); i++) {
    System.out.println("Image " + (i + 1) + " (as OpenCV Mat):");
    parseXClient.printAllElements(cvImages.get(i));
}

处理和保存带注释的图像

以下示例展示了如何处理文档中的每一页，为表格、图像、段落和文本行添加边界框，并保存结果图像：

public void processAndSaveImages() {
    String downloadImageUrl = "https://api.textin.com/ocr_image/download?";

    for (Page page : priDocument.getPages()) {
        Mat pageImg = downloadImageFromUrl(downloadImageUrl, page.getImageId());
        if (pageImg == null) continue;

        for (Table table : page.getTables()) {
            for (TableCell cell : table.getCells()) {
                Imgproc.rectangle(pageImg,
                    new Point(cell.getPos().get(0), cell.getPos().get(1)),
                    new Point(cell.getPos().get(4), cell.getPos().get(5)),
                    new Scalar(0, 0, 255), 1);
            }
        }

        for (ContentImage image : page.getImages()) {
            Imgproc.rectangle(pageImg,
                new Point(image.getPos().get(0), image.getPos().get(1)),
                new Point(image.getPos().get(4), image.getPos().get(5)),
                new Scalar(0, 255, 255), 1);
        }

        for (Paragraph paragraph : page.getParagraphs()) {
            Imgproc.rectangle(pageImg,
                new Point(paragraph.getPos().get(0), paragraph.getPos().get(1)),
                new Point(paragraph.getPos().get(4), paragraph.getPos().get(5)),
                new Scalar(0, 255, 0), 5);

            for (Object line : paragraph.getLines()) {
                if (line instanceof ContentTextLine) {
                    ContentTextLine textLine = (ContentTextLine) line;
                    Imgproc.rectangle(pageImg,
                        new Point(textLine.getPos().get(0), textLine.getPos().get(1)),
                        new Point(textLine.getPos().get(4), textLine.getPos().get(5)),
                        new Scalar(255, 0, 0), 1);
                }
            }
        }

        Imgcodecs.imwrite("image_result_" + page.getPageId() + ".jpg", pageImg);
    }
}

这个方法会为每个页面下载图像，然后在图像上绘制矩形来标注表格单元格（红色）、图像（黄色）、段落（绿色）和文本行（蓝色）。处理后的图像会以 "image_result_[页码].jpg" 的格式保存。

处理表格并保存为Excel

List<Table> tableList = result.getAllTables();
parseXClient.saveTablesAsExcel(tableList, "/your/path/to/example.xlsx");

这个方法会将表格转换为excel文件，并保存到指定路径。如果有多个表格，会生成多个sheet。

注意事项

使用此示例时，请确保：

1. 替换 your_app_id_here 和 your_secret_code_here 为您的实际API ID和密钥。
2. 更新 System.load() 中的路径，指向正确的OpenCV库文件。如果有完整OpenCV环境，可以使用System.loadLibrary(Core.NATIVE_LIBRARY_NAME)。
3. 将 /path/to/your/document.pdf 替换为要分析的PDF文件的实际路径。

这个示例展示了如何使用TextIn ParseX SDK的主要功能，包括提取Markdown内容、文本、表格、段落、图片信息等。您可以根据需要修改这个示例，以适应您的具体使用场景。

如果没有OpenCV环境或版本不匹配，操作方法详细请见Github主页。

后续我们将开放更多的sdk函数，也欢迎各位用户朋友给我们提更多的类似需求。