Doc2X文档 · 下一步打开工作台
☰
首页/解析与识别/版面元素与结构化 JSON

DOC2X解析与识别

版面元素与结构化 JSON

了解 Doc2X v3 JSON 中的页级 Markdown、layout.blocks、bbox、阅读顺序和图表分组。对照公开 PDF 与网页解析样例，区分演示数据和原始 API 响应，再接入阅读器、文档检索与结构化处理。

查看 v3 JSON 文档先看字段与使用方法
Doc2X 公开试卷解析演示实拍，左侧为原 PDF，右侧为同一份文档的标题、题目与公式正文
公开试卷解析演示实拍 · 原页与同一份文档的解析正文；未重新调用 API。 点击查看完整大图
本页内容

对照原页与正文，再选择需要的结构字段

这份两页数学试卷包含三栏题目、公式、表格和配图。打开公开演示，可在左侧看原 PDF，在右侧核对解析正文；下方核对包原样保存同一 PDF 与网页演示 JSON，便于查看文字和页面的组织方式。

网页演示第 1 页的实际字段摘录（md 正文未展开）

{
  "url": "",
  "pageIdx": 0,
  "pageWidth": 2332,
  "pageHeight": 1649
}
  1. 打开原 PDF 第 1 页，核对标题、题号、公式以及第 6 题风速表的单位和行列。
  2. JSON 的 pages 共两页，每页 md 保存正文。第 2 页含配图引用，保存 JSON 本身不会一并下载图片。
  3. 这个公开 JSON 使用 pageIdx 等网页字段，没有 layout.blocks。接入 API 时按下方官方字段说明读取实际响应。

2026-10-10 核对的既有公开样例，没有重新调用解析 API。ZIP 是原 PDF、网页 JSON、来源与校验记录的汇集，不是原始 API 响应或离线 Markdown 导出包，不含配图资源。网页演示数据和补建段落坐标不能用于验证 v3 API 坐标或识别准确率。

打开同一 PDF 的在线解析演示下载原 PDF 与网页 JSON 核对包（ZIP）查看原始公开网页 JSON上传自己的 PDF，核对结果

先了解这几件事

Doc2X v3 JSON 在每页 Markdown 正文之外提供 layout.blocks，用元素类型、阅读顺序、分组和坐标连接内容与原页。接入时保存成功响应中的 data.result，并保留同版 PDF；公开网页演示的 pageIdx、paragraphs 等字段不能当作原始 API 结构。

正文
page.md 适合展示与文本处理，仍需检查公式、表格和图片。
结构
page.layout.blocks 提供块类型、bbox、reading_order 与父子关系。
回源
保留文件版本、page_idx、block id 与原始坐标，核对后再切分或裁切。

v3 JSON 字段怎么用于文档处理

v3 JSON 字段怎么用于文档处理
要做的事实际结果字段接入时核对
展示或导出正文pages[].md保留 Markdown、公式和图片引用；正文可用不等于图片已保存。
回到对应页面page_idx、page_width、page_heightpage_idx 从 0 开始；结果坐标范围与 PDF point 不能直接混用。
区分文字、公式、表格、代码layout.blocks[].type按类型处理，并兼容扩展类型；不要只靠外观猜测。
恢复块间关系与阅读顺序reading_order、parent_id、linking结合分组与原页检查多栏、图注、脚注，不只依赖数组顺序。
使用表格与图片table_data.html、src、bboxHTML 表格、图片 URL 和原页裁切用途不同；空 src 要按实际结果处理。
判断页眉页脚是否纳入正文attributes.is_boilerplate结合内容用途筛选，保留原始结果，避免误删有用上下文。

成功响应与保存层级

先检查 code 与 data.status 都表示成功，再保存 data.result。它包含 pages；每页的 md 与 layout.blocks 分别承担正文和结构信息。完整响应外壳、结果对象与网页演示 JSON 不能不加区分地交给同一段读取代码。

坐标使用同一份 PDF 核对

bbox=[x1,y1,x2,y2] 应结合结果页面宽高映射到原页。原 PDF 被旋转、裁切、插页或替换后，坐标可能不再对应；不要直接把结果数值当作 PDF point，也不要修改坐标掩盖版本不一致。

表格结构与表格截图分别使用

table_data.html 适合读取已识别单元格与跨行跨列关系；按 bbox 从原 PDF 裁出的 PNG 只是区域图像。需要 Excel 时选择对应导出流程，不能把表格截图等同于可编辑单元格。

面向 RAG：保留上下文与来源

切分前结合标题、图表组、公式及说明文字。每个片段保留文件版本、页码和 block id，再用真实问题核对检索与引用。块数量和结构标签本身不能证明答案正确。

17 类版面元素，保留文档结构

Text · 文本Title · 标题Table · 表格Figure · 图片Equation · 公式Code · 代码块Caption · 图表说明EquationNumber · 公式编号Underline · 下划线EquationGroup · 公式组TableGroup · 表格组FigureGroup · 图片组CodeGroup · 代码组TOCGroup · 目录FootnoteGroup · 脚注ReferenceGroup · 参考文献SideGroup · 侧栏

另有 attributes.is_boilerplate 标记，用于识别页眉、页脚、页码等样板文字。

查看元素字段与结构说明

如何开始

  1. 按 PDF API 预上传指南显式选择 v3-2026，并保存原 PDF 与 uid。
  2. 确认任务成功，保存 data.result，再检查 pages[].md 和 layout.blocks。
  3. 选择一页含多栏或图表的内容，对照原页检查 reading_order、分组与 bbox。
  4. 保留原始 JSON，再按业务需要生成阅读器、切片或裁图结果；处理空字段和新增类型。

按上面的步骤，继续处理你的资料。

查看 v3 JSON 文档

相关官方说明

完整字段与返回结构空值、分组与扩展字段兼容建议从预上传开始获取 v3 结果

详细操作教程

遇到这些情况

JSON 里找不到 layout.blocks
先确认文件来自原始 API 结果还是网页演示，再核对模型与保存层级；不要因为缺字段直接重建任务。
裁出的图表错位
核对 PDF 版本、页面索引、旋转和结果页面宽高；原图与坐标必须来自同一文件。
顺序正确，但问答仍找不到依据
检查切片是否把标题、表格单位、图注或公式条件分开；用具体问题检验检索和回源。

常见问题

pageIdx 和 page_idx 可以直接互换吗？

公开网页样例使用 pageIdx，当前 API 文档使用 page_idx。先识别数据来源与保存层级，再显式转换；仅改一个字段名不能补出缺失的 layout 或真实坐标。

只有 Markdown，可以生成同等可靠的 bbox 吗？

不能从文字位置直接推断原页坐标。需要位置时使用实际布局结果，并与同版 PDF 核对；补建坐标应标为推导数据。

score 是文字识别准确率吗？

不是逐字准确率。它是结果中的质量分，不能把 85 写成“85% 的文字正确”，仍需对照原文核验。

拿到 table_data.html 就等于原表版式完全保留吗？

不等于。需分别核对单元格文字、行列和合并关系，以及原页的图形表头、脚注和布局。

图片 URL 为空或失效怎么办？

先检查已保存资源和实际字段；如果原 PDF 与有效 bbox 都在本地，可按官方指南裁出区域图像，再核对位置。裁图不等于重新识别。

内容核对：2026-10-10 · 功能条件与配额以当前产品界面为准