AI 数据准备：EasyLink 多模态非结构化数据处理方案

流水处理

系统能够解析不清晰的流水表格，精准提取数值与交易信息，极大地方便了财务核算和银行客户的对账需求。

• 左侧原始流水表格：这是一个银行流水的扫描件，纸质文件可能会因多种因素导致模糊不清，给数据提取带来难度。
• 右侧解析后的结果：通过系统处理，所有交易信息和数值被精准提取并以结构化形式呈现。

研究报告

在报告中，EasyLink 通过分析图表数据逻辑，将这些信息快速转化为结构化数据，从而给银行的决策提供实质性的数据支持。

• 左侧原始报告：包含预测市场规模和金融机构科技投入的数据图表。
• 右侧解析后的结果：通过 EasyLink，图表数据被快速转化为结构化数据，使信息更易于解读和使用。

2.3 智能文档抽取

合同处理

下方展示的案例是关于如何处理那些原本难以辨认的合同扫描件。即使原始文件模糊不清，这个系统也能准确提取其中的文本和公章信息，并将它们转换成结构化的、清晰的数据格式。

此外，用户还可以自由设置需要的字段类型，并根据需求添加新的字段。这种灵活的处理方式，使得原本难以阅读的合同信息变得简单易用，大大提高了工作效率。

下方为案例演示：上传 -》字段识别 -》抽取

三、技术优势：不止于识别，更在于理解与信任

为了更直观地展示通用视觉大模型、传统 OCR 方案与 EasyLink 的专用文档解析模型在论文解析上的差异，我选择了豆包作为对比对象。我将同一篇论文分别喂给它们，并从文本、表格、图片三类典型元素进行效果评测与展示。

3.1 通用视觉大模型

通用视觉大模型这里我选择豆包，我将论文喂给大模型，看看是否能为我提取相关内容。

通过文本、表格、图片三方面进行展示对比。

文本

1. 关键信息提取完整度
   • 能识别出大部分正文内容，但输出以概括为主，缺少对模型名称、任务、数据集、关键指标等细粒度信息的逐项抽取，更偏向总结。
2. 结构化还原能力
   • 结果是自然语言段落，没有保留原句级结构，无法直接形成可用的结构化文本数据。
3. 下游任务友好程度（检索/问答等）
   • 后续若要做精确检索或基于字段的问答，需要再次从生成的自然语言中二次抽取，链路长、稳定性不足，不够适合作为即用型数据源。

表格

1. 关键信息提取完整度
   • 表格中的数字和文字内容基本都能识别，但因为结构错位，关键信息 n_head 与各项 P/R/F1 指标的对应关系在语义上是不完整的。
2. 结构化还原能力
   • 与原文格式不一致，行列对齐不稳定，存在单元格误合并/误拆分的问题，导致表头和数据行之间的逻辑结构被破坏。
3. 下游任务友好程度（检索/问答等）
   • 无法直接用于数值检索、排序或自动分析。

图片

1. 关键信息提取完整度
   • 能识别出这是一个包含 RoBERTa、BiLSTM、CRF 等模块的实体识别模型，但对所有模块、子模块以及细节说明的覆盖不完整。
2. 结构化还原能力
   • 识别不出图片，仅能做简单的总结。
3. 下游任务友好程度（检索/问答等）
   • 输出偏向解释性文本，不适合直接作为结构化输入等任务。

3.2 传统 OCR 方案

下面这张图是一个传统 OCR 的小案例，不难看出，识别出来的文本从格式，或者内容准确性来讲都不稳定，适用于那些小段文本。

• 格式结构严重丢失
• 内容准确性不稳定
• 适用场景受限

这三个问题是传统 OCR 的主要问题。

若换成表格或图片结构图，问题会更突出。如图所示，左侧是模型结构示意图，右侧是传统 OCR 的识别结果，可以看到：

• 只抓到了零散文字，完全丢失结构关系
• 识别错误率高，可读性很差
• 完全不能支撑下游结构化任务

3.3 EasyLink 的专用文档解析模型

如图左侧所示，原始 PDF 中包含标题、作者、机构、摘要、关键词和正文多个区域。

传统 OCR 仅能输出一串连续文本，而 EasyLink 的文档解析模型会先做版面分析，再逐块解析：

• 自动分块与标签化
  • 精确检测标题、作者信息、脚注、摘要、正文等不同文本块
• 阅读顺序还原
  • 按照真实阅读顺序重排多栏文本，避免标题插到段落中间的情况
• 高精度字符识别与纠错
  • 对专有名词、公式编号、引用进行上下文纠错。

表格

对于论文中的实验表，如数据集统计表、对比实验表等采用：

• 表格区域检测与分割
• 行列结构重建
• 上下文对齐与单位理解

因此，在右图中可以看到：原文中的表格被解析为带行列头的结构化表数据，而不是一串 Datasets Weibo MSRA Resume Class 8 3 8…的扁平文本，可直接用于数据统计、可视化与自动分析。

图片

对于模型结构图、流程图这类图 + 字混合区域，EasyLink 不再只做简单 OCR，而是：

• **多对象识别：**检测图中的模块框
• **模块间关系建图：**将识别到的模块视为节点、箭头视为边，恢复模型的拓扑结构（与原图保持一致）
• **文本内容高精度识别：**对图中模块名称采用更高分辨率并结合上下文。

最终效果如右图所示：EasyLink 输出的结果不仅包含清晰的模块名称，还能保持与原示意图一致的整体结构，可作为后续模型文档、自动化配置或技术解读的直接输入。

四、API 集成示例

账号注册成功后访问 访问密钥管理页面，点击创建。

随便输入一个名称。

温馨提示：保管好你的 API 密钥，切勿在公共仓库或未授权环境中暴露密钥，以确保账户安全。

使用 REST API 主要通过下面两个步骤：

1. 发起任务：例如通过 POST /v1/easydoc/parse 上传文档，创建解析任务。
2. 查询任务状态与结果：例如通过 GET /v1/easydoc/parse/{task_id} 获取任务状态及解析结果。

下面我编写了一个简易的代码用于调用，这里数据准备对象是一篇 NER 领域的论文，下面是进行代码拆解。

1. 依赖导入模块

import json
import time
import requests

首先导入必要的 Python 库，用于处理 JSON 数据、控制时间间隔和发送 HTTP 请求。

2. 提交解析任务模块

def submit_request(file_path, api_key):
    api_url = "https://api.easylink-ai.com/v1/easydoc/parse"
    headers = {
        'api-key': api_key,
    }
    with open(file_path, 'rb') as file_obj:
        files = {
            'files': file_obj,
        }
        data = {
            'mode': 'doc-parse-premium', # 选择解析模式
        }
    response = requests.post(api_url, headers=headers, files=files, data=data)
    if response.ok:
        result = response.json()
        print("任务提交成功。")
        return result['data']['task_id']
    else:
        print("任务提交失败:", response.text)
        return None

向 EasyLink API 提交文档解析任务。

参数：

• file_path: 要解析的文档文件路径
• api_key: 用户认证密钥

3. 任务状态轮询模块

def check_task_status(task_id, api_key):
    status_url = f"https://api.easylink-ai.com/v1/easydoc/status/{task_id}"
    headers = {
        'api-key': api_key,
    }
    while True:
        response = requests.get(status_url, headers=headers)
        if response.ok:
            status_data = response.json()
            task_status = status_data.get('data', {}).get('status')
            if task_status == 'completed':
                print("任务已完成，正在检索结果…")
                return True
            elif task_status == 'failed':
                print("任务失败:", status_data.get('data', {}).get('error_message'))
                return False
            else:
                print("检查任务状态失败:", response.text)
                return False
        time.sleep(5) # 每次检查之间等待

功能：轮询检查任务处理状态。

参数：

• task_id: 任务唯一标识符
• api_key: 用户认证密钥

4. 获取解析结果模块

def get_task_result(task_id, api_key, output_path):
    result_url = f"https://api.easylink-ai.com/v1/easydoc/result/{task_id}"
    headers = {
        'api-key': api_key,
    }
    response = requests.get(result_url, headers=headers)
    if response.ok:
        result_data = response.json()
        with open(output_path, 'w', encoding='utf-8') as out_file:
            json.dump(result_data, out_file, ensure_ascii=False, indent=4)
        print(f"结果已保存到 {output_path}")
        return result_data
    else:
        print("获取结果失败:", response.text)
        return None

功能：获取并保存解析结果。

参数：

• task_id: 任务唯一标识符
• api_key: 用户认证密钥
• output_path: 结果保存路径

5. 主流程控制模块

def main():
    # 请替换为你的文件路径
    # 请替换为你的 API Key
    output_path = "task_result.json" # 输出结果保存路径
    # 提交请求并获取任务 ID
    task_id = submit_request(file_path, api_key)
    if task_id:
        if check_task_status(task_id, api_key):
            get_task_result(task_id, api_key, output_path)

if __name__ == "__main__":
    main()

功能：程序主入口，协调整个流程。

流程：

1. 配置必要的参数（需要用户自行填写）
2. 按顺序调用三个功能函数
3. 条件判断确保流程连贯性

下面为完整代码：

import json
import time
import requests

def submit_request(file_path, api_key):
    api_url = "https://api.easylink-ai.com/v1/easydoc/parse"
    headers = {
        'api-key': api_key,
    }
    with open(file_path, 'rb') as file_obj:
        files = {
            'files': file_obj,
        }
        data = {
            'mode': 'doc-parse-premium', # 选择解析模式
        }
    response = requests.post(api_url, headers=headers, files=files, data=data)
    if response.ok:
        result = response.json()
        print("任务提交成功。")
        return result['data']['task_id']
    else:
        print("任务提交失败:", response.text)
        return None

def check_task_status(task_id, api_key):
    status_url = f"https://api.easylink-ai.com/v1/easydoc/status/{task_id}"
    headers = {
        'api-key': api_key,
    }
    while True:
        response = requests.get(status_url, headers=headers)
        if response.ok:
            status_data = response.json()
            task_status = status_data.get('data', {}).get('status')
            if task_status == 'completed':
                print("任务已完成，正在检索结果…")
                return True
            elif task_status == 'failed':
                print("任务失败:", status_data.get('data', {}).get('error_message'))
                return False
            else:
                print("检查任务状态失败:", response.text)
                return False
        time.sleep(5) # 每次检查之间等待

def get_task_result(task_id, api_key, output_path):
    result_url = f"https://api.easylink-ai.com/v1/easydoc/result/{task_id}"
    headers = {
        'api-key': api_key,
    }
    response = requests.get(result_url, headers=headers)
    if response.ok:
        result_data = response.json()
        # 可能需要或不需要这行，视具体系统返回格式
        with open(output_path, 'w', encoding='utf-8') as out_file:
            json.dump(result_data, out_file, ensure_ascii=False, indent=4)
        print(f"结果已保存到 {output_path}")
        return result_data
    else:
        print("获取结果失败:", response.text)
        return None

def main():
    # 配置参数
    # 请替换为你的文件路径
    # 请替换为你的 API Key
    output_path = "task_result.json" # 输出结果保存路径
    # 提交请求并获取任务 ID
    task_id = submit_request(file_path, api_key)
    if task_id:
        # 检查任务状态并获取结果
        if check_task_status(task_id, api_key):
            get_task_result(task_id, api_key, output_path)

if __name__ == "__main__":
    main()

获取到的内容都可以在控制台左侧导航栏中的任务列表中查看到。

选择查看结果，就可以看到刚刚请求的这篇论文了。

如果你想要解析其他格式的内容，修改 model 参数就行。

'mode': 'doc-parse-premium', # 选择解析模式

常见的参数包含下面几个：

解析模式：doc-parse-premium，doc-parse-flash，doc-parse-lite，doc-parse-pro，paper-parse(论文解析)

如果你有其他的调用习惯也可以使用其他方式，官方文档 都有详细的描述。

curl -X POST "https://api.easylink-ai.com/v1/easydoc/parse" \
-H "api-key: your_apikey_here" \
-F "files=@medical_record_001.pdf" \
-F "mode=premium"

五、总结

过去，企业在处理大量复杂文档如 PDF 和合同时常常苦于低效和手动操作。传统方法无法有效提取和使用这些多模态数据，复杂的数据预处理令人心烦意乱，即使是先进的大模型也未必都能做的很好。EasyLink 平台解决了这一难题。它能自动解析和抽取非结构化文档中的关键信息，将其转化为标准化数据。这提高了企业运营效率，减少了手动处理时间和错误率。其强大之处在于无需固定模板就能识别和处理多样且复杂的文档类型。

简言之，无论是在商业、科研或医疗领域，EasyLink 都大幅提升了数据处理效率，让我们能够更专注于高价值的分析和决策工作。