RAGFlow集成TextIn方案2.0上线！支持快速镜像部署，随时切换解析插件

📝 项目简介

当前基于 RAGFlow v0.24.0 | 插件式集成

本项目是 RAGFlow 的增强版本，集成了 TextIn (https://www.textin.com/) 文档智能解析能力，提供更高质量的 PDF 文档理解。

TextIn 是合合信息旗下的文档智能处理云平台，通过 AI 能力实现文本、表格、图表和公式的精准提取。

Github项目地址： https://github.com/intsig-textin/xparse-ragflow

设计理念：

• 插件式集成 — 新增功能独立存放，不破坏 RAGFlow 原有代码结构
• 最小侵入 — 对原有文件的修改仅限于必要的路由接入
• 易于维护 — 便于持续跟进 RAGFlow 上游版本更新
• 灵活切换 — 可随时切换回官方版本或使用其他解析引擎

✨ 核心特性

🚀 快速开始

✅ 前置条件

在开始之前，请确保：

1. 已注册 TextIn （https://www.textin.com/）账号并开通 API 权限
2. 从 TextIn 控制台（https://www.textin.com/console/dashboard/setting）获取 App ID 和 Secret Code
3. 本地已安装 RAGflow 对应官方版本

⚠️ 版本提示：请确保部署的服务镜像版本与Github仓库当前Tag保持一致，避免版本不兼容问题。

🇨🇳 国内镜像加速：

国内用户可以使用以下阿里云镜像加速部署，提升拉取速度：

⚙️ 配置方法

使用国内镜像需要修改以下文件：

📄 步骤1：修改 docker/.env 文件（RAGFlow 主服务镜像）

# 将第 157 行修改为：
RAGFLOW_IMAGE=crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/ragflow:v0.24.0

📄 步骤2：修改 docker/docker-compose-base.yml 文件（依赖服务镜像）

# 第 5 行 - Elasticsearch
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/elasticsearch:8.11.3

# 第 178 行 - MySQL
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/mysql:8.0.39

# 第 205 行 - MinIO
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/minio:RELEASE.2025-06-13T11-33-47Z

# 第 227 行 - Valkey
image: crpi-2ix4w0sw61gwpv0x.cn-shanghai.personal.cr.aliyuncs.com/intsig_acg/valkey:8

📦 安装步骤：

根据实际需求选择以下两种部署方式之一：

🎯 方式一：使用国内镜像（推荐）

适用于快速部署和生产环境。

按照上述国内镜像加速章节修改 docker/.env 和 docker/docker-compose-base.yml 文件中的镜像地址。

🔧 方式二：从源码构建

适用于需要修改代码或调试的场景。

📥 步骤1：克隆仓库并构建镜像

git clone https://github.com/intsig-textin/xparse-ragflow.git
cd xparse-ragflow
docker build -t your-image-name:tag -f Dockerfile .

⚙️ 步骤2：配置镜像名称

修改 docker/.env 文件第 157 行：

RAGFLOW_IMAGE=your-image-name:tag

🚀 启动与访问

✅ 完成上述配置后，执行以下命令启动服务：

cd docker
DEVICE=gpu docker-compose up -d

🌐 访问界面

服务启动完成后，在浏览器中访问以下地址：

http://localhost:{SVR_WEB_HTTP_PORT}

💡 默认端口为 80，可在 docker/.env 中通过 SVR_WEB_HTTP_PORT 配置。

📘 使用指南

1. 配置 TextIn 解析引擎：

步骤 1.1：进入模型提供商设置

登录 RAGFlow 后，点击右上角头像，进入 用户设置 → 模型提供商。

步骤 1.2：添加 TextIn 模型

找到 TextIn 卡片，点击 添加模型，填写以下配置信息：

步骤 1.3：验证并保存

点击 验证 按钮测试连接，验证通过后点击 添加 保存配置。

2. 在知识库中使用：

步骤 2.1：创建或打开知识库

在 RAGFlow 主界面创建新知识库，或打开已有知识库。

步骤 2.2：选择 TextIn 解析器

进入知识库的 设置 页面，找到 PDF 解析器 选项。

在下拉列表的 TextIn 分组中，选择刚才添加的模型（标注为 Experimental）。

点击 保存 应用配置。

3. 解析 PDF 文档：

步骤 3.1：上传文档

在知识库中点击 上传文件，选择需要解析的 PDF 文档。

步骤 3.2：开始解析

上传完成后，RAGFlow 将自动使用 TextIn API 进行解析。

步骤 3.3：查看结果

解析完成后，可在文档详情页查看提取的文本、表格和图像内容。

🏗️ 架构说明

数据流程图：

┌─────────────┐
│  PDF 文件        │
└──────┬──────┘
       │
       ▼
┌─────────────────────────────┐
│  naive.py: by_textin()                    │  ← 文档处理入口
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  LLMBundle (OCR 类型)                   │  ← 知识库配置的 TextIn 模型
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  TextInOcrModel                       │  ← rag/llm/ocr_model.py
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  TextInParser                       │  ← deepdoc/parser/textin_parser.py
│  ├─ 调用 TextIn API                  │
│  └─ 使用 pdfplumber 渲染页面               │
└──────┬──────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  (sections, tables, images)                 │  ← 与 RAGFlowPdfParser 兼容的输出
└─────────────────────────────┘
       │
       ▼
┌─────────────────────────────┐
│  Chunking 流水线                      │  ← 无需任何改动
└─────────────────────────────┘

关键设计：TextInParser 继承自 RAGFlowPdfParser，输出格式完全兼容，下游的 Chunking、索引流程无需任何调整。

代码改动概览：

后端改动文件

前端改动文件

❓ 常见问题

Q：TextIn 会影响嵌入模型或检索流程吗？

不会。TextIn 仅负责 PDF 文档的解析阶段（OCR + 布局分析），后续的向量嵌入、文本分块（Chunking）、检索等流程完全不受影响。

Q：需要本地 GPU 资源吗？

不需要。TextIn 解析完全通过云端 API 调用实现，本地不会加载任何 OCR 或布局识别模型，对硬件无特殊要求。

Q：支持 Word、Excel 等其他文件格式吗？

目前仅支持 PDF 格式。本集成以插件方式接入，只在知识库配置 TextIn 引擎时对 PDF 生效，Word、Excel 等文件类型仍使用 RAGFlow 原有的解析器，行为不受影响。

Q：能同时使用 TextIn 和 DeepDOC 解析器吗？

可以。PDF 解析器在知识库级别独立配置，不同知识库可以选择不同的解析引擎（TextIn、DeepDOC 等），互不干扰。

Q：TextIn API 调用失败会怎样？有降级机制吗？

目前没有自动降级机制。如果 TextIn API 调用失败，解析任务会报错终止。建议在使用前先通过模型验证功能测试 API 连接。

Q：如何查看 TextIn API 的调用费用？

TextIn 是按调用次数或页数计费的服务，具体费用请登录TextIn 控制台(https://www.textin.com/console/dashboard)

Q：解析速度如何？比本地 DeepDOC 快吗？

解析速度取决于文档复杂度和网络状况。TextIn 通过云端 GPU 集群处理，对于复杂文档通常比本地单 GPU 更快，但需要考虑网络延迟和 API 队列时间。

📊 文档解析模型评测

本项目提供了完整的评测工具，通过 RAGFlow 问答质量对比来评估不同文档解析器（TextIn、DeepDOC、PaddlePaddle 等）的实际效果。

完整的工具使用指南、配置方法和示例，请查看：

RAGFlow 文档解析器效果对比工具：https://github.com/intsig-textin/xparse-ragflow/blob/main/test_qa/README.md

🔬 进阶内容

解析行为说明：

1. 内容类型映射

TextIn API返回结构化的 detail 数组，解析器按以下规则处理不同类型的内容：

2. 跨页表格处理

TextIn 通过split_section_page_ids和 split_section_positions 字段标记跨页拆分的表格。 解析器会为每个分段生成独立的position记录，确保在RAGFlow UI中能够正确高亮显示表格的所有分段。

3. 坐标系统转换

TextIn API使用144 DPI 坐标系统，而RAGFlow使用72 DPI。解析器会自动进行坐标转换：

ragflow_coord = textin_coord / 2.0

这确保了文档高亮位置的准确性。

开发者指南：

类继承关系

RAGFlowPdfParser (基类)
    │
    └── TextInParser              ← deepdoc/parser/textin_parser.py
            │
            └── TextInOcrModel    ← rag/llm/ocr_model.py