- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI SPPECH
4：Youtu-Parsing 文档解析模型：2B参数的文档智能解析技术深度解析
作者： HOS(安全风信子) 日期： 2026-02-03 主要来源平台： ModelScope 摘要： 本文深入解析腾讯优图实验室开源的Youtu-Parsing文档解析模型，探讨其如何基于2B 其基于2B参数Youtu-LLM构建的文档解析模型，融合prompt-guided框架与NaViT动态视觉编码器，支持像素级文本定位、公式/表格/图表结构化识别及Token+查询双并行推理（提速5-11 2. 2B参数设计平衡了性能和硬件需求 简化系统设计：一体化框架减少了系统复杂度 拓展应用场景：强大的结构化识别能力打开了新的应用可能性 促进技术普及：开源发布降低了文档智能处理技术的使用门槛 5.2 潜在风险 = gr.Button("解析") with gr.Column(scale=2): output_text = gr.Textbox(label
80320编辑于 2026-02-04 - 来自专栏林德熙的博客
Office 文档解析 文档格式和协议
这个标准最初是由 ECMA-376 定义的，后来 ISO/IEC 29500 也开始掺和 OOXML 格式的定义，不过可以认为从 ECMA-376 的第2版开始，这两个标准是一样的 微软的 Office 不管其文件后缀是什么）本质上就是一个 zip 文件，你可以用任何常见的解压软件进行解压，解压后你看到的那些文件的组织结构，就是以 OPC 定义的方式存储的 在 ECMA-376,Fourth Edition,Part 2 这是放在zip压缩包的根目录下的 [Content_Types].xml 文件，这是基本上每个 NuGet 包都会带的内容（不认识NuGet的小伙伴请点击右上角关闭按钮，因为你不要妄想玩转Office解析了 表示的是各个标记语言，如 PML（Presentation Markup Language PPT 中各种数据的描述）等，这部分定义可以在 ECMA-376,Fifth Edition,Part 1 找到 解析 Conventions Open XML SDK ECMA-376 ISO/IEC 29500 更多请看 Office 使用 OpenXML SDK 解析文档博客目录 ---- 本文会经常更新
4K10发布于 2020-07-28 文档解析失败提示
材料中似乎涉及以下主题的碎片化信息，但缺乏明确的上下文和逻辑关联： 茶百道小程序及用户评价（4.1分，4.8万条评价）。 一物一码数字化营销。 网络安全风险（如垃圾注册、流量作弊）。 腾讯云的安全解决
23010编辑于 2026-05-30- 来自专栏XLJ的技术专栏
解析 Json 文档 PHP
简述 解析 Json 文件 代码 使用函数 json_decode() ， file_get_contents() 首先 json_decode() 这个函数需要传递至少一个参数 需要用 file_get_contents
2.7K20编辑于 2022-03-30 - 来自专栏VBA 学习
VBA解析复合文档02——复合文档结构
尽量用一些通俗的语言来讲一下复合文档的结构，如果要真正掌握每一个细节，还是要看官方的文档，所以这里讲的可能不会完全正确，只是大概了解一下复合文档的结构逻辑。 复合文档结构 一个文件在被创建的时候，文档的结构也同时生成，这里不讲生成的过程如何去创建这个结构，只拿生成后的文件来讲。 假如一个10KB文件，每个扇区大小是512Byte，举例如下： ? 01 扇区 复合文档把保存文件的磁盘空间划分了扇区（Sector），在扇区里存放数据信息。文件的开头一个扇区固定是Header结构，这个结构的信息非常重要，是解析整个文件的基础。 如果4个加起来都还小于512Byte的话，就很有可能被存放在一个Sector里，而正常的数据流是不可能会存在2个数据流在一个Sector中的情况。 只要理解了Header结构、目录结构、DIFAT数组、FAT数组、MiniFAT数组，解析复合文档就没什么难度了。 通过这些信息，构建出来扇区链表，就可以到分布的扇区中，读取或者改写数据。
1.6K10发布于 2020-08-03 【合合TextIn】智能文档处理系列—电子文档解析技术全格式解析
电子文档解析技术的核心目的是从各种格式的电子文档中提取结构化数据和有意义的信息。这一过程涉及到理解文档的格式、内容、结构和语义，是连接文档内容与应用程序、数据库和其他信息系统的桥梁。 通过有效的文档解析，可以将原本静态、封闭的文档数据转换为可搜索、可分析、可再利用的信息资源，极大地拓展了电子文档的应用范围和价值。 3.3.2 PyPDF2PyPDF2是一个纯Python库，可以用来读取、分割、合并PDF文件以及获取文档的元数据。尽管其文本抽取能力不如PDFMiner，但在处理PDF页面和文档操作方面非常有效。 11.3.4 TinyXML-2TinyXML-2：是一个简单、小巧、高效的C++ XML解析库，适用于需要嵌入XML解析功能的应用程序。 11.3.5 libxml2libxml2：是一个用于C语言的XML处理库，提供了全面的XML和HTML解析功能。它是许多高级语言库的底层依赖，包括lxml。
8.6K12编辑于 2024-04-15- 来自专栏MavenTalk
Claude2 AI实战：PDF文档智能化阅读与解析
本文单独将PDF文档拿出来聊聊，我会从以下几个方面聊聊Claude2的PDF文档的处理： 单个文档解析 多个文档合并分析 PDF文档内容对话 英文文档分析 单个文档解析 找一篇AI调研报告，用Claude2 英文文档解读 这是官方发布Claude2新闻稿时公布的一个Claude模型文档，共14页，全文文字，我们用Claude2进行解读一下，看看其准确性如何。 Claude2不能标记住数据源所在的文档页。 多文档解析 我找了三份AI人才的研报《AI崛起，职场变革与人的适配》《2023 AIGC人才趋势洞察报告》《2023生成式AI认知及使用调研报告》【要想获取这三份研报，公众号回复 AIGC 即可】，交给 可以看到Claude2在解析完三个文档后，并归纳整理三个文档中相同的观点，找到观点的交集输出，相比ChatPDF等产品，一次只支持1个文件，每天3个文件，共计对话50次的限制而言，Claude2简直是在暴击他们
1.3K20编辑于 2023-09-06 - 来自专栏VBA 学习
VBA解析复合文档00
1、什么是复合文档？ 可能这个名字没有听说过，但是只要使用过Windows电脑的，其实都接触过这种结构的文件，只是没有注意到而已。 2007版本以上的Office文件，如果设置了打开密码，仍然是使用复合文档结构来存储的。 2、解析复合文档有什么用 01 深入了解Excel的文件结构 解析复合文档，能够更加深入理解Excel的文件结构，虽然2007版本以上的Excel已经 换成了xml标记语言存储，但是VBA代码相关的vbaProject.bin 文件还是使用了复合文档结构。 但是如果想要直接获取VBA代码，就只能通过解析文件结构获取，通过解析复合文档，解析出模块的数据流，再进一步进行解析就可以。
1.8K10发布于 2020-08-04 - 来自专栏java后端
java解析word文档内容
今日主题:java解析word文档内容 1依赖 <dependency> <groupId>org.apache.poi</groupId> commons-collections4</artifactId> <version>4.1</version> </dependency> 只需要前面两个依赖就好了 2实现 WordAction { @Autowired private WordContextReadService wordContextReadService; /** * word文档上传解析
3.1K30发布于 2021-07-20 - 来自专栏VBA 学习
VBA解析复合文档04——解析目录信息
有了FAT数组的信息，就可以继续解析目录信息和MiniFAT。 01 解析目录 目录信息存放的才是复合文档中的真正数据的一些信息，也只有通过目录信息才能正确读取到数据流： Private Type CFDir EntryName(63) As Byte EntryNameLen As Integer ObjectType As Byte '1仓storage 2流 5根 ColorFlag As Byte '这个不是结构体的字段 StrDirName As String '在文件中的偏移位置 lOffset As Long End Type '解析目录 Private Function cf.MiniFAT) Then Exit For Next l_SID = cf.FAT(l_SID) Next End Function 到此复合文档的结构就解析完成了
92510发布于 2020-08-10 - 来自专栏VBA 学习
VBA解析复合文档03——解析扇区链表
通过前面对复合文档结构的分析，解析起来问题就不大了。 01 解析Header结构 Header结构一定是在文件的最开始处，所以直接一个一个字段的读取就行了： Private Type CFHeader Signature(7) As Byte 通常为2^9=512 MiniSectorShift As Integer '短扇区大小，2的幂,通常为2^6 Reserved(5) As Byte DirSectorsCount 通常为2^9=512 cf.Header.MiniSectorShift = cf.r.ReadInteger '短扇区大小，2的幂,通常为2^6 cf.r.Read cf.Header.Reserved ，就可以去解析目录信息和MiniSAT了，因为目录信息和MiniSAT的数据是很有可能需要多个扇区储存的，必然需要扇区链接的信息，所以FAT数组必须要先进行解析。
1.2K30发布于 2020-08-05 - 来自专栏用户3030674的专栏
java 解析xml文档---通过XmlPullParser解析方式
1 package com.zx; 2 3 import java.io.FileInputStream; 4 import java.io.IOException; 5 import java.util.ArrayList FileInputStream("person.xml"); 30 //设置流和字符集 31 parser.setInput(fis,"utf-8"); 32 //开始解析 } break; 66 } event=parser.next(); 67 } 68 //解析结束
1.6K20发布于 2018-09-14 - 来自专栏腾讯云智能·AI公有云
文档解析之困 | 大模型时代，复杂文档解析如何更精准？
02、多模态文档解析大模型：破局与超越 传统OCR与大模型文档解析，谁更胜一筹，不同场景应该是各有千秋。 为了便于大家清晰理解，我们将腾讯云大模型知识引擎文档解析的核心要点进行了提炼： 1）独创多模态文档解析大模型：在算法上，基于腾讯优图实验室自研新一代多模态文档解析大模型，通过粗粒度生成元素的位置及顺序， 2）智能版面分析：与传统的OCR文字识别不同，文档解析产品能够快速抽取文档的关键属性，支持对多栏、内容混排等复杂版式的文档进行精准解析，如论文、报告、书籍等文档中的标题、段落、图片、表格、公式、页眉、页脚等多种版面元素 剖析业务诉求，有几个突出的痛点： 1）以科研Chat场景为例，用户上传的文档包含大量的数学公式和表达式，公式符号复杂多样，且布局不规则，极大的增加了文档内容的识别难度； 2）许多数学符号和字符在形态上非常相似 2）对比业界主流文档识别供应商，文档解析在各阶段准确率靠前，复杂公式准确率高达90%以上，识别后的Markdown结果内容完整，便于进一步的编辑、分析和使用。
4K11编辑于 2024-10-18 - 来自专栏代码简单说
FireRed-OCR开源：2B模型拿下文档解析第一
FireRed-OCR开源：2B模型拿下文档解析第一 关键词：FireRed-OCR、文档解析、结构幻觉、OmniDocBench、Qwen3-VL、表格识别、公式识别、端到端OCR、Markdown 1️⃣ 文档解析的核心痛点：结构幻觉 在复杂文档解析中，通用大视觉语言模型（VLM）存在典型问题： 表格行列错位，数据串行 公式“脑补”符号 多栏文档阅读顺序混乱 标签未闭合，Markdown 结构损坏 2️⃣ max_new_tokens 设置 学术论文页面：8192 或更高 普通文档：4096 可加速推理 3️⃣ 图像质量 建议： ≥150 DPI 尽量避免过度压缩 避免极端歪斜 低质量扫描会导致整体分数降至约 方案 优点 缺点 流水线 极致精度 工程复杂 FireRed-OCR 部署简单、结构稳定 极端场景略低 1–2% 如果你做的是： 学术论文解析 财报结构抽取 技术文档数字化 RAG 知识库构建 FireRed-OCR 三阶段渐进训练 格式约束强化学习 几何语义数据引擎 让 2B 模型在专项文档解析上战胜 235B 通用模型。 这也说明一个趋势： 在工程落地场景中，结构正确性比语言华丽更重要。
59210编辑于 2026-06-16 - 来自专栏编程心路
Github学习文档-2
牵手GitHub.jpg 目录 1.GitHub 和 Git 的前世今缘 2.Git 的下载安装 2.1Git 下载 2.2Git 安装 3.Git 的初始配置 3.1查看安装的 Git 的版本 2 Git 的下载安装 ---- 以 windows 环境下安装为例，Linux 和 Mac 系统请自行查找 Git 安装资料 2.1 Git 下载 Git的官方下载地址 ? 下载Git2.png 如果你的下载速度较慢，也可以选择去软件应用中心下载，这里也推荐一个百度软件下载中心，但里面的软件不一定是最新的，还是建议在官网上下载的。
91130发布于 2018-08-30 - 来自专栏史上最简单的Spring Cloud教程
Docker官方文档翻译2
article/details/80158062 本文出自方志朋的博客 个人博客纯净版：https://www.fangzhipeng.com/docker/2018/09/11/dokcer-trans2. 应用程序部分 创建2个文件，requirements.txt和app.py，并且将它们放到和Dockerfile放进同一个文件夹中。这就完成了我们的应用，你可以发现用创建应用很简单。 import os import socket # Connect to Redis redis = Redis(host="redis", db=0, socket_connect_timeout=2, 为该上下文提供存储库并标记有意义的名称，例如get-started：part2。 这将图像放入启动存储库并将其标记为part2。 现在，把它放在一起来标记图像。 $ docker run -p 4000:80 john/get-started:part2 Unable to find image 'john/get-started:part2' locally
73820编辑于 2022-05-07 - 来自专栏腾讯IMWeb前端团队
文档解析和DOMContentLoaded触发时机
| 导语 大家都知道 HTML 文档完全加载和解析完成之后，会触发 DOMContentLoaded 事件，那么 HTML 里面的内容会如何影响文档解析呢？ ，如果此时文档还没解析完成，就会阻塞解析。 只有在脚本请求耗时比文档解析时间长的情况下，才不会影响 defer：推迟脚本执行，保证不阻塞文档解析，意味着即使脚本从网络请求完成也不会立刻执行，只有等到文档解析完成后执行 它们属性值都是 boolean 文档解析。 这种情况下是影响了文档解析。 2.
1.3K20编辑于 2022-06-29 - 来自专栏开源心路
Apache-Tika解析JPEG文档
FileInputStream(new File("D:/无标题.jpg")); ParseContext pcontext = new ParseContext(); // 解析 metadataNames) { System.out.println(name + " : " + metadata.get(name)); } } } 方法2：
67710编辑于 2023-06-29 - 来自专栏杨丝儿的小站
【Python】解析 Xml 格式的文档
xml 文档，无非就是一个树状的数据仓库，最基础的部分也就四个：增删改查。 解析树状结构 从硬盘读取 从字符串读取 注意：xml.etree.ElementTree模块在应对恶意结构数据时显得并不安全。 <tag attrib1=1>text</tag>tail 1 2 3 4 小技巧：若想加快速度，可以使用C语言编译的API xml.etree.cElementTree 类的内置属性 dict : 类的属性（包含一个字典，由类的数据属性组成） doc :类的文档字符串 name: 类名 module: 类定义所在的模块（类的全名是’main.className’，如果类位于一个导入模块 基础的重载方法 序号 方法 描述 简单应用 1 init ( self [,args…] ) 构造函数 简单的调用方法: obj = className(args) 2 del( self ) 析构方法
3.3K10编辑于 2022-02-25 - 来自专栏开源心路
Apache-Tika解析pdf文档
Metadata metadata = new Metadata(); ParseContext pcontext = new ParseContext(); // 解析 PDF文档时应由超类AbstractParser的派生类PDFParser实现 PDFParser pdfparser = new PDFParser(); try {
94210编辑于 2023-06-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号