Haystack PaddleOCRVLDocumentConverter 集成指南基于 PaddleOCR-VL 大模型的文档解析与 RAG 索引实战【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack本文围绕 Haystack 生态中的paddleocr-haystack集成包系统讲解PaddleOCRVLDocumentConverter组件如何借助 PaddleOCR 官方文档解析 APIPaddleOCR-VL 大模型将图片与 PDF 转换为结构化 Markdown 文档覆盖组件安装、初始化参数、运行接口、典型配置场景与索引管线集成帮助你在 RAG 检索增强生成与语义搜索应用中构建高质量的文档索引链路。组件定位与核心能力PaddleOCRVLDocumentConverter是 Haystack 官方集成paddleocr-haystack包提供的文档转换组件其核心职责是提取文本并从文档中构建 HaystackDocument对象。与纯文本 OCR 不同它调用的是 PaddleOCR 官方文档解析 API底层由 PaddleOCR-VL 视觉语言大模型Vision-Language Model驱动能够输出带结构的 Markdown 内容而不仅仅是裸文本。从 API 参考version-2.20 文档可以确认组件内部通过PaddleOCRClient与 PaddleOCR serving API 通信覆盖两个主要输入类型图像文件图片、扫描件、拍照文档PDF 文件在索引管线中它通常位于 PreProcessors 之前也就是索引管线的起始位置负责把非结构化文档翻译成后续切分、嵌入、写入环节能够消费的文本形式。组件指南paddleocrvldocumentconverter.mdx明确指出该组件为每个来源返回一个 HaystackDocument所有页面使用换页符\f连接作为分隔符。这一格式保证了与 Haystack 的DocumentSplitter兼容能够按页精确切分并正确处理重叠。Markdown 内容中的图片以img-id标签形式保留为下游的多模态引用与富文本展示留出了空间。安装与环境准备使用该组件需要先安装集成包它在核心框架之外单独分发pip install paddleocr-haystack安装后即可从集成命名空间导入组件from haystack_integrations.components.converters.paddleocr import PaddleOCRVLDocumentConverter使用前需要准备两个关键凭据/入口API URLapi_url或base_urlPaddleOCR-VL 服务地址。官方流程是在 PaddleOCR 官网打开对应 API 页面点击API按钮选择 PaddleOCR-VL 的示例代码并复制其中的API_URL。未显式传入时组件会回退读取PADDLEOCR_BASE_URL环境变量再回退到 SDK 默认值。Access Tokenaccess_tokenAI Studio 访问令牌用于 API 鉴权。默认回退顺序为环境变量PADDLEOCR_ACCESS_TOKEN、AISTUDIO_ACCESS_TOKEN也可在初始化时通过Secret.from_env_var(AISTUDIO_ACCESS_TOKEN)显式指定。完整初始化签名与参数详解参考 API 参考文档构造函数的完整签名如下全部参数均为关键字参数__init__( *, base_url: str | None None, access_token: Secret Secret.from_env_var( [PADDLEOCR_ACCESS_TOKEN, AISTUDIO_ACCESS_TOKEN] ), model: Model | str Model.PADDLE_OCR_VL_16, file_type: FileTypeInput None, use_doc_orientation_classify: bool | None False, use_doc_unwarping: bool | None False, use_layout_detection: bool | None None, use_chart_recognition: bool | None None, use_seal_recognition: bool | None None, use_ocr_for_image_block: bool | None None, layout_threshold: float | dict | None None, layout_nms: bool | None None, layout_unclip_ratio: float | list | dict | None None, layout_merge_bboxes_mode: str | dict | None None, layout_shape_mode: str | None None, prompt_label: str | None None, format_block_content: bool | None None, repetition_penalty: float | None None, temperature: float | None None, top_p: float | None None, min_pixels: int | None None, max_pixels: int | None None, max_new_tokens: int | None None, merge_layout_blocks: bool | None None, markdown_ignore_labels: list[str] | None None, vlm_extra_args: dict | None None, prettify_markdown: bool | None None, show_formula_number: bool | None None, restructure_pages: bool | None None, merge_tables: bool | None None, relevel_titles: bool | None None, visualize: bool | None None, additional_params: dict[str, Any] | None None ) - None入口与鉴权类参数参数类型默认值说明base_urlstr \| NoneNonePaddleOCR API 基础地址回退到PADDLEOCR_BASE_URL环境变量再回退到 SDK 默认值access_tokenSecretSecret.from_env_var([PADDLEOCR_ACCESS_TOKEN, AISTUDIO_ACCESS_TOKEN])鉴权令牌优先使用显式传入值modelModel \| strModel.PADDLE_OCR_VL_16文档解析模型默认使用 PaddleOCR-VL 1.6 系列输入与图像预处理类参数参数类型默认值说明file_typeFileTypeInputNonepdf、image或None表示自动检测use_doc_orientation_classifybool \| NoneFalse是否启用文档方向分类适用于旋转/横竖混排的扫描件use_doc_unwarpingbool \| NoneFalse是否启用文本图像矫正去畸变适用于拍摄弯曲的文档版面检测与结构理解类参数参数类型默认值说明use_layout_detectionbool \| NoneNone是否启用版面检测layout_thresholdfloat \| dict \| NoneNone版面检测置信度阈值layout_nmsbool \| NoneNone是否对版面检测结果执行 NMS 非极大值抑制layout_unclip_ratiofloat \| list \| dict \| NoneNone版面框外扩比例用于控制检测框的扩张幅度layout_merge_bboxes_modestr \| dict \| NoneNone版面框合并模式layout_shape_modestr \| NoneNone版面形状模式merge_layout_blocksbool \| NoneNone是否合并跨栏内容的版面检测框适用于多栏排版文档内容焦点类参数参数类型默认值说明prompt_labelstr \| NoneNoneVLM 提示类型可选ocr、formula、table、chart、seal、spottinguse_chart_recognitionbool \| NoneNone是否启用图表识别use_seal_recognitionbool \| NoneNone是否启用印章识别use_ocr_for_image_blockbool \| NoneNone是否识别图像块内的文本format_block_contentbool \| NoneNone是否对块内容进行格式化VLM 生成控制类参数参数类型默认值说明repetition_penaltyfloat \| NoneNone采样时的重复惩罚系数temperaturefloat \| NoneNone采样温度越低越确定性越高越多样top_pfloat \| NoneNone核采样累积概率阈值min_pixelsint \| NoneNoneVLM 预处理的最小像素数max_pixelsint \| NoneNoneVLM 预处理的最大像素数直接影响分辨率与成本max_new_tokensint \| NoneNoneVLM 生成的最大新 token 数vlm_extra_argsdict \| NoneNone传递给 VLM 的额外配置Markdown 输出整形类参数参数类型默认值说明markdown_ignore_labelslist[str] \| NoneNone在 Markdown 输出中忽略的版面标签列表prettify_markdownbool \| NoneNone是否美化输出 Markdownshow_formula_numberbool \| NoneNone是否在 Markdown 输出中包含公式编号restructure_pagesbool \| NoneNone是否跨页重构结果merge_tablesbool \| NoneNone是否跨页合并表格relevel_titlesbool \| NoneNone是否对标题级别进行重排visualizebool \| NoneNone是否返回可视化结果additional_paramsdict[str, Any] \| NoneNone传递给PaddleOCRVLOptions.extra_options的额外选项run 方法输入输出契约run是组件被管线调用时的入口签名如下run( sources: list[str | Path | ByteStream], meta: dict[str, Any] | list[dict[str, Any]] | None None, ) - dict[str, Any]输入参数sources必填图片或 PDF 文件路径列表或ByteStream对象列表。meta可选附加到 Document 的元数据。传入单个dict时应用到所有文档传入list[dict]时其长度必须与sources数量一致实现逐文档的元数据绑定。返回值一个字典包含两个键documents创建的 HaystackDocument列表每个来源一个文档。raw_paddleocr_responsesPaddleOCR API 的原始响应列表。该输出在调优版面阈值、提示设置或 Markdown 后处理选项时非常有用因为它让你能同时拿到 API 原始输出与转换后的 Haystack 文档做对照。序列化to_dict 与 from_dict作为 Haystack 组件它实现了标准的序列化协议to_dict() - dict[str, Any]将组件序列化为字典便于 YAML 配置、管线保存与版本管理。from_dict(data: dict[str, Any]) - PaddleOCRVLDocumentConverter从字典反序列化还原组件实例。这保证了组件可以无缝嵌入 Haystack 的管线序列化体系例如通过 YAML marshal 定义可复现的索引配置。快速上手独立使用基础用法最基本的用法是传入api_url与access_token然后对本地文件执行转换from pathlib import Path from haystack.utils import Secret from haystack_integrations.components.converters.paddleocr import ( PaddleOCRVLDocumentConverter, ) converter PaddleOCRVLDocumentConverter( api_urlyour-api-url, access_tokenSecret.from_env_var(AISTUDIO_ACCESS_TOKEN), ) result converter.run(sources[Path(my_document.pdf)]) documents result[documents]参考文档version-2.20 文档中的等价示例使用base_url参数并同时取出两个输出from haystack_integrations.components.converters.paddleocr import PaddleOCRVLDocumentConverter converter PaddleOCRVLDocumentConverter( base_urlhttp://xxxxx.aistudio-app.com, ) result converter.run(sources[sample.pdf]) documents result[documents] raw_responses result[raw_paddleocr_responses]两种写法等价base_url与api_url均指向 PaddleOCR-VL 服务地址未提供时回退到PADDLEOCR_BASE_URL环境变量与 SDK 默认值。面向版面复杂文档的进阶配置对于发票、财报、多栏杂志这类结构敏感的文档可以一次性打开方向分类、矫正、版面检测、图像块 OCR 与跨页表格合并from pathlib import Path from haystack.utils import Secret from haystack_integrations.components.converters.paddleocr import ( PaddleOCRVLDocumentConverter, ) converter PaddleOCRVLDocumentConverter( api_urlyour-api-url, access_tokenSecret.from_env_var(AISTUDIO_ACCESS_TOKEN), use_doc_orientation_classifyTrue, use_doc_unwarpingTrue, use_layout_detectionTrue, use_ocr_for_image_blockTrue, merge_tablesTrue, restructure_pagesTrue, prettify_markdownTrue, ) result converter.run(sources[Path(quarterly_report.pdf)]) documents result[documents] raw_responses result[raw_paddleocr_responses]集成到索引管线PaddleOCRVLDocumentConverter最常见的落点是一条 RAG 索引管线OCR 转换 → 按页切分 → 写入文档存储。from haystack import Pipeline from haystack.document_stores.in_memory import InMemoryDocumentStore from haystack.components.preprocessors import DocumentSplitter from haystack.components.writers import DocumentWriter from haystack.utils import Secret from haystack_integrations.components.converters.paddleocr import ( PaddleOCRVLDocumentConverter, ) document_store InMemoryDocumentStore() pipeline Pipeline() pipeline.add_component( converter, PaddleOCRVLDocumentConverter( api_urlyour-api-url, access_tokenSecret.from_env_var(AISTUDIO_ACCESS_TOKEN), ), ) pipeline.add_component(splitter, DocumentSplitter(split_bypage, split_length1)) pipeline.add_component(writer, DocumentWriter(document_storedocument_store)) pipeline.connect(converter, splitter) pipeline.connect(splitter, writer) file_paths [invoice.pdf, receipt.jpg, contract.pdf] pipeline.run({converter: {sources: file_paths}})这条管线之所以能按页切分正是因为转换器输出的每个Document使用\f换页符分隔页面而 DocumentSplitter 的split_bypage模式正是依赖该分隔符完成页级切分与重叠控制。典型场景配置速查根据 组件指南 的实战建议以下场景有对应的推荐配置组合场景推荐配置手机拍摄的扫描合同、收据方向错乱、纸面弯曲use_doc_orientation_classifyTrue、use_doc_unwarpingTrue表格密集的财务、运营类 PDFuse_layout_detectionTrue、merge_tablesTrue、restructure_pagesTrue公式密集型文档论文、数学资料prompt_labelformula如需公式编号再加show_formula_numberTrue含插图、印章的混合业务文档按内容分别启用use_chart_recognitionTrue、use_seal_recognitionTrue或use_ocr_for_image_blockTrue新文档类型调优visualizeTrue并结合返回的raw_paddleocr_responses逐项校准版面阈值与提示词注意事项与最佳实践关于 Markdown 输出与DocumentCleaner的冲突组件输出的是 Markdown 内容。官方文档特别提示不要用默认参数的DocumentCleaner处理该输出因为默认的remove_extra_whitespacesTrue与remove_empty_linesTrue会压缩换行进而破坏标题、表格与图片标签的结构。需要按页切分时应把转换器直接接到DocumentSplitter确实需要自定义清理时务必关闭上述两个选项。关于调试在接入新文档类型时建议先用visualizeTrue与raw_paddleocr_responses观察 API 原始输出再决定版面阈值、prompt_label与 Markdown 后处理选项的取舍避免盲调。关于成本与质量权衡temperature、top_p、repetition_penalty、min_pixels、max_pixels、max_new_tokens等 VLM 生成参数直接影响输出质量、确定性与 API 调用成本vlm_extra_args与additional_params则提供了向底层PaddleOCRVLOptions.extra_options透传自定义配置的逃生通道。参考资料PaddleOCRVLDocumentConverter API 参考version-2.20PaddleOCRVLDocumentConverter 组件指南PreProcessors 总览DocumentSplitter 按页切分DocumentWriter 写入文档存储Data ClassesDocument 数据结构【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Haystack PaddleOCRVLDocumentConverter 集成指南：基于 PaddleOCR-VL 大模型的文档解析与 RAG 索引实战
Haystack PaddleOCRVLDocumentConverter 集成指南基于 PaddleOCR-VL 大模型的文档解析与 RAG 索引实战【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack本文围绕 Haystack 生态中的paddleocr-haystack集成包系统讲解PaddleOCRVLDocumentConverter组件如何借助 PaddleOCR 官方文档解析 APIPaddleOCR-VL 大模型将图片与 PDF 转换为结构化 Markdown 文档覆盖组件安装、初始化参数、运行接口、典型配置场景与索引管线集成帮助你在 RAG 检索增强生成与语义搜索应用中构建高质量的文档索引链路。组件定位与核心能力PaddleOCRVLDocumentConverter是 Haystack 官方集成paddleocr-haystack包提供的文档转换组件其核心职责是提取文本并从文档中构建 HaystackDocument对象。与纯文本 OCR 不同它调用的是 PaddleOCR 官方文档解析 API底层由 PaddleOCR-VL 视觉语言大模型Vision-Language Model驱动能够输出带结构的 Markdown 内容而不仅仅是裸文本。从 API 参考version-2.20 文档可以确认组件内部通过PaddleOCRClient与 PaddleOCR serving API 通信覆盖两个主要输入类型图像文件图片、扫描件、拍照文档PDF 文件在索引管线中它通常位于 PreProcessors 之前也就是索引管线的起始位置负责把非结构化文档翻译成后续切分、嵌入、写入环节能够消费的文本形式。组件指南paddleocrvldocumentconverter.mdx明确指出该组件为每个来源返回一个 HaystackDocument所有页面使用换页符\f连接作为分隔符。这一格式保证了与 Haystack 的DocumentSplitter兼容能够按页精确切分并正确处理重叠。Markdown 内容中的图片以img-id标签形式保留为下游的多模态引用与富文本展示留出了空间。安装与环境准备使用该组件需要先安装集成包它在核心框架之外单独分发pip install paddleocr-haystack安装后即可从集成命名空间导入组件from haystack_integrations.components.converters.paddleocr import PaddleOCRVLDocumentConverter使用前需要准备两个关键凭据/入口API URLapi_url或base_urlPaddleOCR-VL 服务地址。官方流程是在 PaddleOCR 官网打开对应 API 页面点击API按钮选择 PaddleOCR-VL 的示例代码并复制其中的API_URL。未显式传入时组件会回退读取PADDLEOCR_BASE_URL环境变量再回退到 SDK 默认值。Access Tokenaccess_tokenAI Studio 访问令牌用于 API 鉴权。默认回退顺序为环境变量PADDLEOCR_ACCESS_TOKEN、AISTUDIO_ACCESS_TOKEN也可在初始化时通过Secret.from_env_var(AISTUDIO_ACCESS_TOKEN)显式指定。完整初始化签名与参数详解参考 API 参考文档构造函数的完整签名如下全部参数均为关键字参数__init__( *, base_url: str | None None, access_token: Secret Secret.from_env_var( [PADDLEOCR_ACCESS_TOKEN, AISTUDIO_ACCESS_TOKEN] ), model: Model | str Model.PADDLE_OCR_VL_16, file_type: FileTypeInput None, use_doc_orientation_classify: bool | None False, use_doc_unwarping: bool | None False, use_layout_detection: bool | None None, use_chart_recognition: bool | None None, use_seal_recognition: bool | None None, use_ocr_for_image_block: bool | None None, layout_threshold: float | dict | None None, layout_nms: bool | None None, layout_unclip_ratio: float | list | dict | None None, layout_merge_bboxes_mode: str | dict | None None, layout_shape_mode: str | None None, prompt_label: str | None None, format_block_content: bool | None None, repetition_penalty: float | None None, temperature: float | None None, top_p: float | None None, min_pixels: int | None None, max_pixels: int | None None, max_new_tokens: int | None None, merge_layout_blocks: bool | None None, markdown_ignore_labels: list[str] | None None, vlm_extra_args: dict | None None, prettify_markdown: bool | None None, show_formula_number: bool | None None, restructure_pages: bool | None None, merge_tables: bool | None None, relevel_titles: bool | None None, visualize: bool | None None, additional_params: dict[str, Any] | None None ) - None入口与鉴权类参数参数类型默认值说明base_urlstr \| NoneNonePaddleOCR API 基础地址回退到PADDLEOCR_BASE_URL环境变量再回退到 SDK 默认值access_tokenSecretSecret.from_env_var([PADDLEOCR_ACCESS_TOKEN, AISTUDIO_ACCESS_TOKEN])鉴权令牌优先使用显式传入值modelModel \| strModel.PADDLE_OCR_VL_16文档解析模型默认使用 PaddleOCR-VL 1.6 系列输入与图像预处理类参数参数类型默认值说明file_typeFileTypeInputNonepdf、image或None表示自动检测use_doc_orientation_classifybool \| NoneFalse是否启用文档方向分类适用于旋转/横竖混排的扫描件use_doc_unwarpingbool \| NoneFalse是否启用文本图像矫正去畸变适用于拍摄弯曲的文档版面检测与结构理解类参数参数类型默认值说明use_layout_detectionbool \| NoneNone是否启用版面检测layout_thresholdfloat \| dict \| NoneNone版面检测置信度阈值layout_nmsbool \| NoneNone是否对版面检测结果执行 NMS 非极大值抑制layout_unclip_ratiofloat \| list \| dict \| NoneNone版面框外扩比例用于控制检测框的扩张幅度layout_merge_bboxes_modestr \| dict \| NoneNone版面框合并模式layout_shape_modestr \| NoneNone版面形状模式merge_layout_blocksbool \| NoneNone是否合并跨栏内容的版面检测框适用于多栏排版文档内容焦点类参数参数类型默认值说明prompt_labelstr \| NoneNoneVLM 提示类型可选ocr、formula、table、chart、seal、spottinguse_chart_recognitionbool \| NoneNone是否启用图表识别use_seal_recognitionbool \| NoneNone是否启用印章识别use_ocr_for_image_blockbool \| NoneNone是否识别图像块内的文本format_block_contentbool \| NoneNone是否对块内容进行格式化VLM 生成控制类参数参数类型默认值说明repetition_penaltyfloat \| NoneNone采样时的重复惩罚系数temperaturefloat \| NoneNone采样温度越低越确定性越高越多样top_pfloat \| NoneNone核采样累积概率阈值min_pixelsint \| NoneNoneVLM 预处理的最小像素数max_pixelsint \| NoneNoneVLM 预处理的最大像素数直接影响分辨率与成本max_new_tokensint \| NoneNoneVLM 生成的最大新 token 数vlm_extra_argsdict \| NoneNone传递给 VLM 的额外配置Markdown 输出整形类参数参数类型默认值说明markdown_ignore_labelslist[str] \| NoneNone在 Markdown 输出中忽略的版面标签列表prettify_markdownbool \| NoneNone是否美化输出 Markdownshow_formula_numberbool \| NoneNone是否在 Markdown 输出中包含公式编号restructure_pagesbool \| NoneNone是否跨页重构结果merge_tablesbool \| NoneNone是否跨页合并表格relevel_titlesbool \| NoneNone是否对标题级别进行重排visualizebool \| NoneNone是否返回可视化结果additional_paramsdict[str, Any] \| NoneNone传递给PaddleOCRVLOptions.extra_options的额外选项run 方法输入输出契约run是组件被管线调用时的入口签名如下run( sources: list[str | Path | ByteStream], meta: dict[str, Any] | list[dict[str, Any]] | None None, ) - dict[str, Any]输入参数sources必填图片或 PDF 文件路径列表或ByteStream对象列表。meta可选附加到 Document 的元数据。传入单个dict时应用到所有文档传入list[dict]时其长度必须与sources数量一致实现逐文档的元数据绑定。返回值一个字典包含两个键documents创建的 HaystackDocument列表每个来源一个文档。raw_paddleocr_responsesPaddleOCR API 的原始响应列表。该输出在调优版面阈值、提示设置或 Markdown 后处理选项时非常有用因为它让你能同时拿到 API 原始输出与转换后的 Haystack 文档做对照。序列化to_dict 与 from_dict作为 Haystack 组件它实现了标准的序列化协议to_dict() - dict[str, Any]将组件序列化为字典便于 YAML 配置、管线保存与版本管理。from_dict(data: dict[str, Any]) - PaddleOCRVLDocumentConverter从字典反序列化还原组件实例。这保证了组件可以无缝嵌入 Haystack 的管线序列化体系例如通过 YAML marshal 定义可复现的索引配置。快速上手独立使用基础用法最基本的用法是传入api_url与access_token然后对本地文件执行转换from pathlib import Path from haystack.utils import Secret from haystack_integrations.components.converters.paddleocr import ( PaddleOCRVLDocumentConverter, ) converter PaddleOCRVLDocumentConverter( api_urlyour-api-url, access_tokenSecret.from_env_var(AISTUDIO_ACCESS_TOKEN), ) result converter.run(sources[Path(my_document.pdf)]) documents result[documents]参考文档version-2.20 文档中的等价示例使用base_url参数并同时取出两个输出from haystack_integrations.components.converters.paddleocr import PaddleOCRVLDocumentConverter converter PaddleOCRVLDocumentConverter( base_urlhttp://xxxxx.aistudio-app.com, ) result converter.run(sources[sample.pdf]) documents result[documents] raw_responses result[raw_paddleocr_responses]两种写法等价base_url与api_url均指向 PaddleOCR-VL 服务地址未提供时回退到PADDLEOCR_BASE_URL环境变量与 SDK 默认值。面向版面复杂文档的进阶配置对于发票、财报、多栏杂志这类结构敏感的文档可以一次性打开方向分类、矫正、版面检测、图像块 OCR 与跨页表格合并from pathlib import Path from haystack.utils import Secret from haystack_integrations.components.converters.paddleocr import ( PaddleOCRVLDocumentConverter, ) converter PaddleOCRVLDocumentConverter( api_urlyour-api-url, access_tokenSecret.from_env_var(AISTUDIO_ACCESS_TOKEN), use_doc_orientation_classifyTrue, use_doc_unwarpingTrue, use_layout_detectionTrue, use_ocr_for_image_blockTrue, merge_tablesTrue, restructure_pagesTrue, prettify_markdownTrue, ) result converter.run(sources[Path(quarterly_report.pdf)]) documents result[documents] raw_responses result[raw_paddleocr_responses]集成到索引管线PaddleOCRVLDocumentConverter最常见的落点是一条 RAG 索引管线OCR 转换 → 按页切分 → 写入文档存储。from haystack import Pipeline from haystack.document_stores.in_memory import InMemoryDocumentStore from haystack.components.preprocessors import DocumentSplitter from haystack.components.writers import DocumentWriter from haystack.utils import Secret from haystack_integrations.components.converters.paddleocr import ( PaddleOCRVLDocumentConverter, ) document_store InMemoryDocumentStore() pipeline Pipeline() pipeline.add_component( converter, PaddleOCRVLDocumentConverter( api_urlyour-api-url, access_tokenSecret.from_env_var(AISTUDIO_ACCESS_TOKEN), ), ) pipeline.add_component(splitter, DocumentSplitter(split_bypage, split_length1)) pipeline.add_component(writer, DocumentWriter(document_storedocument_store)) pipeline.connect(converter, splitter) pipeline.connect(splitter, writer) file_paths [invoice.pdf, receipt.jpg, contract.pdf] pipeline.run({converter: {sources: file_paths}})这条管线之所以能按页切分正是因为转换器输出的每个Document使用\f换页符分隔页面而 DocumentSplitter 的split_bypage模式正是依赖该分隔符完成页级切分与重叠控制。典型场景配置速查根据 组件指南 的实战建议以下场景有对应的推荐配置组合场景推荐配置手机拍摄的扫描合同、收据方向错乱、纸面弯曲use_doc_orientation_classifyTrue、use_doc_unwarpingTrue表格密集的财务、运营类 PDFuse_layout_detectionTrue、merge_tablesTrue、restructure_pagesTrue公式密集型文档论文、数学资料prompt_labelformula如需公式编号再加show_formula_numberTrue含插图、印章的混合业务文档按内容分别启用use_chart_recognitionTrue、use_seal_recognitionTrue或use_ocr_for_image_blockTrue新文档类型调优visualizeTrue并结合返回的raw_paddleocr_responses逐项校准版面阈值与提示词注意事项与最佳实践关于 Markdown 输出与DocumentCleaner的冲突组件输出的是 Markdown 内容。官方文档特别提示不要用默认参数的DocumentCleaner处理该输出因为默认的remove_extra_whitespacesTrue与remove_empty_linesTrue会压缩换行进而破坏标题、表格与图片标签的结构。需要按页切分时应把转换器直接接到DocumentSplitter确实需要自定义清理时务必关闭上述两个选项。关于调试在接入新文档类型时建议先用visualizeTrue与raw_paddleocr_responses观察 API 原始输出再决定版面阈值、prompt_label与 Markdown 后处理选项的取舍避免盲调。关于成本与质量权衡temperature、top_p、repetition_penalty、min_pixels、max_pixels、max_new_tokens等 VLM 生成参数直接影响输出质量、确定性与 API 调用成本vlm_extra_args与additional_params则提供了向底层PaddleOCRVLOptions.extra_options透传自定义配置的逃生通道。参考资料PaddleOCRVLDocumentConverter API 参考version-2.20PaddleOCRVLDocumentConverter 组件指南PreProcessors 总览DocumentSplitter 按页切分DocumentWriter 写入文档存储Data ClassesDocument 数据结构【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
