智能文档抽取

功能描述

general information extration

智能文档识别（抽取）-API文档

请求URL

https://api.textin.com/ai/service/v2/entity_extraction

HTTP请求方法（Method）

HTTP POST

请求头说明（Request Headers）

请在HTTP请求中添加以下自定义标头（Header）。

header 名	值
x-ti-app-id	请登录后前往 “工作台-账号设置-开发者信息” 查看 x-ti-app-id
x-ti-secret-code	请登录后前往 “工作台-账号设置-开发者信息” 查看 x-ti-secret-code

URL参数（Parameters）

URL参数指以 {参数名}={参数值} 形式拼接到 URL 上的键值对。它以 ? 开头，不同参数之间使用 & 连接。形如 ?p1=v1&p2=v2

参数名	数据类型	是否必填	允许的值	描述
page_start	integer	否	见描述	当上传的是pdf时，page_start 表示从第几页开始抽取
page_count	integer	否	见描述	当上传的是pdf时，page_count 表示要进行抽取的pdf页数。 Prompt模式总页数不得超过20页，默认为20页自定义key模式总页数不得超过100页，默认为100页
parse_mode	string	否	见描述	PDF解析模式，默认为scan模式，仅按文字识别方式处理。图片不用设置，均按文字识别方式处理。 auto 综合文字识别和解析模式 scan 仅按文字识别模式
get_image	string	否	none, page, objects, both	仅Prompt模式生效，获取图片，默认为objects，返回整页图像和图像对象 none 不返回任何图像 page 返回每一页的整页图像 objects 返回页面内的图像对象 both 返回整页图像和图像对象
crop_image	integer	否	见描述	是否进行切边矫正处理，默认为0，不进行切边矫正 0 不进行切边矫正 1 进行切边矫正
remove_watermark	integer	否	见描述	是否进行去水印处理，默认为0，不去水印 0 不去水印 1 去水印
formula_level	integer	否	见描述	公式识别等级，默认为0，全识别。 0 全识别 1 仅识别行间公式，行内公式不识别 2 不识别
file_name	string	否	见描述	待抽取样本的文件名（含后缀名）

请求体说明（Request Body）

Content-Type: application/json

支持的文件格式：png, jpg, jpeg, pdf, bmp, tiff, webp, doc, docx, html, mhtml, xls, xlsx, csv, ppt, pptx, txt, ofd；

支持两种模式：
- prompt模式：
  - 支持的最大文档处理页数为20页，超出部分的文档信息将被忽略。
  - 提供一个prompt，系统将根据该prompt进行抽取；
  - 同时有prompt输入和key输入时，按prompt模式调用。
- 自定义key模式：
  - 支持的最大文档处理页数为100页，超出部分的文档信息将被忽略。
  - 提供一个fields与table_fields列表，系统将根据该列表进行抽取。
  - API支持的最大抽取字段数量为fields数组中的元素数量与table_fields数组中每个对象的fields子数组的元素数量之和，总计不得超过100个字段。
  - 如果提供的字段总数超出限制，系统将优先抽取fields数组中的字段元素，超出部分的字段将被忽略。

入参JSON结构说明如下：

字段名	类型	描述
file	string	待处理的文档base64字符串例如：/9j/4AAQSk...
prompt	string	抽取的prompt，传入此字段时以下字段将会被忽略： `fields` `table_fields`
fields	array	待抽取的文本字段
+ name	string	字段名
+ description	string	抽取时的prompt，非必填
table_fields	array	表格抽取时要抽取的表格信息
+ title	string	表格标题例如：学生成绩表
+ description	string	表格标题的prompt
+ fields	array	该表的表头字段信息，非必填
++ name	string	字段名
++ description	string	抽取时的prompt，非必填

响应体说明（Response）

Content-Type: application/json

JSON结构说明如下：

说明：所有接口响应中均包含字段 x_request_id（string类型），作为请求的唯一标识。

字段名	类型	描述
version	string	版本号
code	integer	错误码，详见“错误码说明”
message	string	错误信息
duration	integer	推理时间(ms)
result	object
+ llm_json		大模型抽取处理后的原始抽取结果，仅当传入prompt参数时返回，返回简化的键值对结构，方便直接使用。由于使用大模型对用户输入的信息进行抽取，具体的字段名称和数据类型由用户的prompt决定，无法预先确定
+ raw_json	object	大模型抽取带坐标信息的抽取结果，仅当传入prompt参数时返回，包含详细的位置信息和边界框数据，用于高级处理场景。由于使用大模型对用户输入的信息进行抽取，具体的字段名称无法预先确定，但每个字段值都遵循统一的结构格式，包含抽取值、页码信息和详细的坐标数据注意这里写的object类型不是表示此字段是object，而是表示将llm_json中的字段值从string变成了以下object结构详情可参考下面json示例中的【示例1: prompt模式-返回对象】与【示例2: prompt模式-返回数组】部分
++ value	string	字段的抽取值，即为llm_json中对应的字段值示例："011892"
++ pages	array	字段所在的页码列表示例：[1]
++ bounding_regions	array	字段的边界框信息，包含详细的位置和字符坐标
+++ position	array	字段在文档中的坐标位置示例：[201,199,308,199,308,230,201,230]
+++ char_pos	array	每个字符的详细坐标信息示例：[[202,202,218,201,218,230,201,229],[220,202,235,202,236,228,220,229]]
+++ page_id	integer	所在页码ID 示例：1
+++ value	string	该边界框内的文本内容示例："011892"
+ pages	array	大模型抽取带坐标信息的抽取结果，仅当传入prompt参数时返回，当文档为多页结构时，返回每一页的详细信息，用于坐标回显
++ status	string	表示当前页的引擎输出状态，或者error_message
++ page_id	number	当前页码 (若为流式文件, 页码置为0)
++ durations	number	当前页总耗时
++ image_id	string	当前页图片id （下载方式：https://api.textin.com/ocr_image/download?image_id=xxx ,需要在headers里添加appid和key）。当输入参数image_output_type=default且get_image=page/both时返回。例如使用curl下载 curl 'https://api.textin.com/ocr_image/download?image_id=xxx' --header 'x-ti-app-id: c81f***********************e9ff' --header 'x-ti-secret-code: 5508******************1c17'
++ origin_image_id	string	切边或去水印前的原始页图片，仅当开启切边或去水印，image_output_type=default且get_image=page/both时返回。下载方式同image_id
++ width	integer	文档页宽度
++ height	integer	文档页高度
++ angle	integer	图像（中文字）的角度（当输入为图像时，默认为0，可选值0, 90, 180, 270)
+ usage	object	大模型抽取的token消耗情况，仅当传入prompt参数时返回
++ prompt_tokens	integer	大模型抽取消耗输入token数量
++ completion_tokens	integer	大模型抽取消耗输出token数量
++ total_tokens	integer	大模型抽取消耗token总量
+ category	object	`details`字段里的数据类型 one_to_one：表示单值抽取的key item_list：表示表格的抽取
++ additionalProp1	string	one_to_one
++ additionalProp2	string	one_to_one
++ additionalProp3	string	one_to_one
++ row	string	表格类型
+ rotated_image_width	integer	正方向时文档的宽，仅文档为图片时其值有效
+ rotated_image_height	integer	正方向时文档高，仅文档为图片时其值有效
+ page_count	integer	智能文档抽取处理的文档页数，超过最大页数限制时（100页），返回为最大页数
+ image_angle	integer	文档角度，指原文档需要经过逆时针旋转多少度，才能得到正方向的文档，仅文档为图片时其值有效
+ details	object	文档抽取结果
++ additionalProp1	object
+++ value	string	字段识别结果
+++ position	array	文档被转正后，value在文档中的坐标，是一个长度为8的数组 [0,1,2,3,4,5,6,7] (0, 1) 左上角坐标 (2, 3) 右上角坐标 (4, 5) 右下角坐标 (6, 7) 左下角坐标
+++ description	string	字段中文描述
+++ lines
++ additionalProp2	object
+++ value	string	字段识别结果
+++ position	array	文档被转正后，value在文档中的坐标，是一个长度为8的数组 [0,1,2,3,4,5,6,7] (0, 1) 左上角坐标 (2, 3) 右上角坐标 (4, 5) 右下角坐标 (6, 7) 左下角坐标
+++ description	string	字段中文描述
++ additionalProp3	object
+++ value	string	字段识别结果
+++ position	array	文档被转正后，value在文档中的坐标，是一个长度为8的数组 [0,1,2,3,4,5,6,7] (0, 1) 左上角坐标 (2, 3) 右上角坐标 (4, 5) 右下角坐标 (6, 7) 左下角坐标
+++ description	string	字段中文描述
++ row	array	table_header的抽取结果
+ detail_structure	array	字段的识别信息
++ doc_type	string	文档的类型
++ page_range	array	抽取的信息所在页范围
++ tables	array	表格信息
+++ position	array	坐标
+++ page_number	number	所在页
+++ text	string	html形式的表格
++ tables_relationship	array	表格的结构化信息
+++ row_count	number	行数
+++ column_count	number	列数
+++ cells	array	单元格信息
+++ title	string	title
++ category	array	结构化抽取出来的所有字段
++ fields	object	提取的字段结构化结果
+++ additionalProp1	array
++++ value	string	字段识别结果
++++ bounding_regions	array	边界框信息
+++++ page_number	integer	所在页码
+++++ value	string	文本内容
+++++ position	array	文本的坐标
+++++ char_pos	array	每个字符的坐标
+++ additionalProp2	array
++++ value	string	字段识别结果
++++ bounding_regions	array	边界框信息
+++++ page_number	integer	所在页码
+++++ value	string	文本内容
+++++ position	array	文本的坐标
+++++ char_pos	array	每个字符的坐标
+++ additionalProp3	array
++++ value	string	字段识别结果
++++ bounding_regions	array	边界框信息
+++++ page_number	integer	所在页码
+++++ value	string	文本内容
+++++ position	array	文本的坐标
+++++ char_pos	array	每个字符的坐标
++ stamps	array	印章识别结果
+++ color	string	当前印章颜色红色蓝色黑色其他
+++ position	array	印章的坐标信息
+++ stamp_shape	string	当前印章形状圆章椭圆章方章三角章菱形章其他
+++ type	string	当前印章类型公章个人章专用章其他合同专用章财务专用章发票专用章业务专用章
+++ value	string	印章的文本内容
+ finish_reason	string	推理结束的原因 stop：正常推理结束 length：token超出限制而结束
+ documents	array	文档每一页的文档元素信息
++ page_id	integer	所在页
++ position	array	坐标信息
++ paragraph_id	integer	当前段落id
++ type	string	当前元素的类型 paragraph：段落类型，包括正文、标题、公式等文字信息 image：图片 table：表格，当为表格时，text里存储的为表格的html信息
++ text	string	文字信息

JSON结构示例

示例1: prompt模式-返回对象

{"result":{"pages":[{"angle":0,"durations":770.3035888671875,"height":1024,"image_id":"53a462433a4f77b5.jpg","width":1192,"page_id":1,"status":"Success"}],"success_count":1,"version":"v1.1.3","llm_json":{"基金代码":"011892","持仓金额":"74178.80","确认日期":"2024/4/3"},"raw_json":{"确认日期":{"pages":[1],"value":"2024/4/3","bounding_regions":[{"value":"2024/4/3","position":[854,180,996,180,996,213,854,213],"char_pos":[[854,186,871,186,872,212,854,213],[872,185,890,184,890,213,872,212],[891,184,907,185,907,212,891,213],[908,184,927,183,927,213,908,212],[928,183,942,184,942,212,929,213],[944,182,963,181,963,212,943,211],[964,180,980,180,980,211,964,211],[981,183,996,183,996,209,981,210]],"page_id":1}]},"基金代码":{"pages":[1],"value":"011892","bounding_regions":[{"page_id":1,"value":"011892","position":[201,199,308,199,308,230,201,230],"char_pos":[[202,202,218,201,218,230,201,229],[220,202,235,202,236,228,220,229],[238,201,253,200,252,229,239,228],[255,200,271,201,272,227,254,228],[272,201,289,200,290,228,272,227],[289,199,308,200,306,227,290,226]]}]},"持仓金额":{"value":"74178.80","bounding_regions":[{"value":"74178.80","position":[505,191,645,191,645,223,505,223],"char_pos":[[505,193,522,194,522,222,506,223],[524,194,542,193,542,222,524,221],[540,193,555,193,554,222,542,222],[559,193,573,193,574,220,558,221],[574,193,592,192,592,221,576,220],[596,213,601,214,601,220,595,220],[611,192,627,191,628,220,611,219],[628,191,645,192,645,219,629,219]],"page_id":1}],"pages":[1]}}},"result_count":1,"msg":"success","code":200,"message":"success","x_request_id":"3047304efb0ba055dde4809c8496847c"}

示例2: prompt模式-返回数组

{"x_request_id":"f6cd2d7e8cdd21a717a89b13e74bb6f9","result":{"success_count":1,"version":"v1.1.3","llm_json":[{"基金代码":"011892","持仓金额":"74178.80","确认日期":"2024/4/3"},{"基金代码":"000188","持仓金额":"501034.18","确认日期":"2024/4/3"}],"raw_json":[{"基金代码":{"bounding_regions":[{"position":[201,199,308,199,308,230,201,230],"char_pos":[[202,202,218,201,218,230,201,229],[220,202,235,202,236,228,220,229],[238,201,253,200,252,229,239,228],[255,200,271,201,272,227,254,228],[272,201,289,200,290,228,272,227],[289,199,308,200,306,227,290,226]],"page_id":1,"value":"011892"}],"pages":[1],"value":"011892"},"持仓金额":{"pages":[1],"value":"74178.80","bounding_regions":[{"position":[505,191,645,191,645,223,505,223],"char_pos":[[505,193,522,194,522,222,506,223],[524,194,542,193,542,222,524,221],[540,193,555,193,554,222,542,222],[559,193,573,193,574,220,558,221],[574,193,592,192,592,221,576,220],[596,213,601,214,601,220,595,220],[611,192,627,191,628,220,611,219],[628,191,645,192,645,219,629,219]],"page_id":1,"value":"74178.80"}]},"确认日期":{"pages":[1],"value":"2024/4/3","bounding_regions":[{"page_id":1,"value":"2024/4/3","position":[854,180,996,180,996,213,854,213],"char_pos":[[854,186,871,186,872,212,854,213],[872,185,890,184,890,213,872,212],[891,184,907,185,907,212,891,213],[908,184,927,183,927,213,908,212],[928,183,942,184,942,212,929,213],[944,182,963,181,963,212,943,211],[964,180,980,180,980,211,964,211],[981,183,996,183,996,209,981,210]]}]}},{"持仓金额":{"pages":[1],"value":"501034.18","bounding_regions":[{"page_id":1,"value":"501034.18","position":[498,241,656,241,656,274,498,274],"char_pos":[[498,245,514,245,514,273,498,274],[514,246,532,245,532,273,514,272],[534,245,547,246,547,272,533,273],[550,244,567,243,566,271,551,271],[568,243,584,244,585,272,567,272],[585,244,603,243,603,271,586,272],[606,264,612,264,612,272,605,271],[622,244,636,244,636,270,622,271],[638,242,656,241,656,271,638,270]]}]},"确认日期":{"value":"2024/4/3","bounding_regions":[{"char_pos":[[854,186,871,186,872,212,854,213],[872,185,890,184,890,213,872,212],[891,184,907,185,907,212,891,213],[908,184,927,183,927,213,908,212],[928,183,942,184,942,212,929,213],[944,182,963,181,963,212,943,211],[964,180,980,180,980,211,964,211],[981,183,996,183,996,209,981,210]],"page_id":1,"value":"2024/4/3","position":[854,180,996,180,996,213,854,213]}],"pages":[1]},"基金代码":{"bounding_regions":[{"page_id":1,"value":"000188","position":[202,250,309,250,309,281,202,281],"char_pos":[[202,253,220,253,220,280,203,281],[220,253,237,252,236,281,220,280],[239,251,254,252,255,279,238,280],[257,253,272,252,271,279,258,278],[274,250,290,252,291,279,273,279],[291,251,309,250,309,278,292,279]]}],"pages":[1],"value":"000188"}}],"pages":[{"durations":772.7508544921875,"page_id":1,"status":"Success","width":1192,"image_id":"53a462433a4f77b5.jpg","height":1024,"angle":0}]},"result_count":1,"msg":"success","code":200,"message":"success"}

示例3: 自定义key模式

{"version":"v1.6.5","code":200,"message":"success","duration":2825,"result":{"category":{"row":"item_list","additionalProp1":"one_to_one","additionalProp2":"one_to_one","additionalProp3":"one_to_one"},"rotated_image_width":1000,"rotated_image_height":2000,"page_count":10,"image_angle":90,"details":{"row":[{"additionalProp1":{"value":"字段识别结果","position":[100,200,200,200,300,200,100,300],"description":"字段中文描述","lines":[{"page":0,"text":"example","pos":[100,200,200,200,300,200,100,300],"angle":90,"char_pos":[[100,200,200,200,300,200,100,300]]}]},"additionalProp2":{"value":"字段识别结果","position":[100,200,200,200,300,200,100,300],"description":"字段中文描述","lines":[{"page":0,"text":"example","pos":[100,200,200,200,300,200,100,300],"angle":90,"char_pos":[[100,200,200,200,300,200,100,300]]}]},"additionalProp3":{"value":"字段识别结果","position":[100,200,200,200,300,200,100,300],"description":"字段中文描述","lines":[{"page":0,"text":"example","pos":[100,200,200,200,300,200,100,300],"angle":90,"char_pos":[[100,200,200,200,300,200,100,300]]}]}}],"additionalProp1":{"value":"字段识别结果","position":[100,200,200,200,300,200,100,300],"description":"字段中文描述","lines":[{"page":0,"text":"example","pos":[100,200,200,200,300,200,100,300],"angle":90,"char_pos":[[100,200,200,200,300,200,100,300]]}]},"additionalProp2":{"value":"字段识别结果","position":[100,200,200,200,300,200,100,300],"description":"字段中文描述","lines":[{"page":0,"text":"example","pos":[100,200,200,200,300,200,100,300],"angle":90,"char_pos":[[100,200,200,200,300,200,100,300]]}]},"additionalProp3":{"value":"字段识别结果","position":[100,200,200,200,300,200,100,300],"description":"字段中文描述","lines":[{"page":0,"text":"example","pos":[100,200,200,200,300,200,100,300],"angle":90,"char_pos":[[100,200,200,200,300,200,100,300]]}]}},"detail_structure":[{"doc_type":"string","page_range":[0],"tables":[{"position":[343,56,459,56,459,90,343,90],"page_number":0,"text":"string"}],"tables_relationship":[{"row_count":2,"column_count":2,"cells":[{"additionalProp1":[{"value":"string","bounding_regions":[{"page_number":0,"value":"string","position":[343,56,459,56,459,90,343,90],"char_pos":[[343,56,459,56,459,90,343,90]]}]}],"additionalProp2":[{"value":"string","bounding_regions":[{"page_number":0,"value":"string","position":[343,56,459,56,459,90,343,90],"char_pos":[[343,56,459,56,459,90,343,90]]}]}],"additionalProp3":[{"value":"string","bounding_regions":[{"page_number":0,"value":"string","position":[343,56,459,56,459,90,343,90],"char_pos":[[343,56,459,56,459,90,343,90]]}]}]}],"title":"row"}],"category":["标题","性别"],"fields":{"additionalProp1":[{"value":"string","bounding_regions":[{"page_number":0,"value":"string","position":[343,56,459,56,459,90,343,90],"char_pos":[[343,56,459,56,459,90,343,90]]}]}],"additionalProp2":[{"value":"string","bounding_regions":[{"page_number":0,"value":"string","position":[343,56,459,56,459,90,343,90],"char_pos":[[343,56,459,56,459,90,343,90]]}]}],"additionalProp3":[{"value":"string","bounding_regions":[{"page_number":0,"value":"string","position":[343,56,459,56,459,90,343,90],"char_pos":[[343,56,459,56,459,90,343,90]]}]}]},"stamps":[{"color":"红色","position":[956,583,1362,590,1355,990,950,983],"stamp_shape":"圆章","type":"公章","value":"string"}]}],"finish_reason":"stop","documents":[[{"page_id":0,"position":[956,583,1362,590,1355,990,950,983],"paragraph_id":0,"type":"paragraph","text":"string"}]]}}

错误码说明

错误码	描述
40101	x-ti-app-id 或 x-ti-secret-code 为空
40102	x-ti-app-id 或 x-ti-secret-code 无效，验证失败
40103	客户端IP不在白名单
40003	余额不足，请充值后再使用
40004	参数错误，请查看技术文档，检查传参
40007	机器人不存在或未发布
40008	机器人未开通，请至市场开通后重试
40301	图片类型不支持
40302	上传文件大小不符，文件大小不超过 50M
40303	文件类型不支持，接口会返回实际检测到的文件类型，如“当前文件类型为.gif”
40304	图片尺寸不符，图像宽高须介于 20 和 10000（像素）之间
40305	识别文件未上传
40306	qps超过限制
40400	无效的请求链接，请检查链接是否正确
30203	基础服务故障，请稍后重试
500	服务器内部错误