# parse-service - 多模态解析服务

基于 FastAPI 的多模态文件解析服务，支持 PDF/Office/图片/音视频。

---

## 一、快速开始

### 1.1 安装依赖

```bash
cd parse-service

# 安装 Python 依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装系统依赖 (需要 sudo)
# macOS:
brew install ffmpeg antiword

# Ubuntu/Debian:
apt-get install ffmpeg antiword
```

### 1.2 本地测试解析（不启动服务）

先用 Python 直接测试解析：

```bash
# 使用 duomotai/examples 下的示例文件
python test_local.py

# 或指定文件
python test_local.py ../duomotai/examples/xxx.pdf
```

### 1.3 启动 FastAPI 服务

```bash
# 方式 1: 直接用 Python 启动
python main.py

# 方式 2: 用 uvicorn 启动
uvicorn main:app --host 0.0.0.0 --port 8000 --reload
```

服务启动后访问：
- API 文档: http://localhost:8000/docs
- 健康检查: http://localhost:8000/health

### 1.4 测试 API

```bash
# 1. 健康检查
curl http://localhost:8000/health

# 2. 上传文件解析
curl -X POST -F "file=@../duomotai/examples/xxx.pdf" \
  http://localhost:8000/api/v1/parse

# 3. 本地路径解析（给 Flink 调用）
curl -X POST "http://localhost:8000/api/v1/parse/path?file_path=/absolute/path/to/file.pdf"
```

---

## 二、Docker 部署

### 2.1 构建镜像

```bash
cd parse-service
docker build -t parse-service:latest .
```

### 2.2 启动容器

```bash
docker run -d \
  --name parse-service \
  -p 8000:8000 \
  -v /path/to/data:/data \
  parse-service:latest
```

---

## 三、API 文档

### 3.1 健康检查

**接口**: `GET /health`

**响应示例**:
```json
{
  "status": "healthy",
  "service": "parse-service",
  "models": {
    "qwen_vl": "connected",
    "qwen_asr": "connected",
    "mineru": "connected"
  }
}
```

### 3.2 上传文件解析

**接口**: `POST /api/v1/parse`

**请求**: multipart/form-data
- `file`: 文件

**响应示例**:
```json
{
  "code": 200,
  "message": "success",
  "data": {
    "task_id": "uuid",
    "file_type": "pdf",
    "content": "# 解析后的 Markdown 内容...",
    "metadata": {
      "page_count": 10,
      "file_size": 1024000
    },
    "tables": [],
    "parse_time_ms": 1523
  }
}
```

### 3.3 本地路径解析（Flink 调用）

**接口**: `POST /api/v1/parse/path`

**参数**:
- `file_path`: 文件绝对路径

**响应**: 同上

---

## 四、支持的文件类型

| 类型 | 格式 | 解析引擎 |
|------|------|---------|
| PDF | 原生/扫描件 | PyMuPDF / MinerU |
| Word | docx/doc | python-docx / antiword |
| Excel | xlsx | openpyxl |
| PowerPoint | pptx | python-pptx |
| 图片 | png/jpg/tiff | MinerU (OCR) |
| 音频 | wav/mp3 | Qwen3-ASR |
| 视频 | mp4/avi | FFmpeg + Qwen3-ASR + Qwen3-VL |

---

## 五、配置

### 环境变量

| 变量 | 默认值 | 说明 |
|------|--------|------|
| UPLOAD_DIR | /tmp/parse-service/uploads | 上传文件临时目录 |
| MINERU_API_URL | http://10.192.72.13:7284 | MinerU API 地址 |
| QWEN_VL_URL | http://10.192.72.13:7280 | Qwen3-VL API 地址 |
| QWEN_ASR_URL | http://10.192.72.13:7283 | Qwen3-ASR API 地址 |