Word解析

前提条件

• 当前实例购买非结构化数据功能后，方可使用工作流功能。

• 已完成工作流的创建，详细创建步骤请参见创建工作流。

背景信息

• Word解析算子支持处理以下格式文件：.doc、docx。

• Word解析算子默认分配1Core、4GB资源。

权限说明

Basic项目的项目管理员、开发者、分析师以及拥有数据集-使用权限的自定义项目角色，可在算子的输入和输出数据集中使用该项目下的所有数据集。

操作步骤

1. 在Dataphin首页的顶部菜单栏中，选择研发 > 数据研发。

2. 在开发页面的顶部菜单栏选择项目。

3. 在左侧导航栏中选择数据处理 > 工作流，在左侧工作流列表中单击目标工作流，打开工作流画布，在左侧算子库中拖动Word解析算子至画布中，并在右侧Word解析面板中配置以下参数。

   参数		描述
   步骤名称		输入当前算子名称，支持任意字符，不超过256个字符。
   输入配置	数据集	选择需处理的数据集，仅可选择混合数据集。数据集选择完成后还需选择其版本，默认为该数据集正序的第一个版本。 当前算子作为其他算子的下游时，此处所选数据集通常与上游算子的输出数据集一致。
   	输入字段	PDF文件存储路径，需选择输入数据集中来源字段，仅可选择输入数据集中是否URL参数为是的字段。
   	过滤条件（非必填）	使用SQL语法，仅需输入where语句后的过滤条件，支持使用系统全局变量，例如业务日期${bizdate}。
   算子配置	模型辅助修正	关闭时仅使用内置模型进行版面解析与表格提取；开启后，若内置模型解析效果不佳（如版面错位），将自动调用大模型进行修正，以提升解析准确率。
   	图片内容理解	开启后，将调用大模型解析Word中的图片内容，并在输出的Markdown中将图片替换为文字描述；且还需输入2000个字符内的图片理解提示词（Prompt）。
   	模型	仅当启用模型辅助修正或图片内容理解时才可配置，两个功能共用一个模型。仅可选择智能应用管理 > 模型配置中模型类型包含文本或视觉（图片与视频）且已启用的模型。
   输出配置	数据集	支持选择来源数据集或其他数据集。当来源数据集为表数据集时，默认选择其他数据集。 当选择其他数据集时，还需指定一个混合数据集及其版本作为输出数据集，默认为该数据集正序的第一个版本；同时，支持选择来源数据集的其他版本。 选择来源数据集时，算子产出的元数据将写入来源数据集同版本对应的元数据表中。
   	文件输出路径	输入目录名称，若目录不存在则新建。 解析后的文本内容命名格式为${Word文件名称+从1开始的自增数字}.md。 解析后的图片将生成一个文件夹，所有图片均存储在对应文件夹中。
   	输出的Markdown文本是否包含图片链接	选择是，则解析后的图片会替换成存储该图片的链接；选择否，则清除图片链接。
   	加载策略	若所选输出数据集的元数据表中存在主键，则默认选择主键冲突时更新；若不存在主键，则默认选择追加数据。 追加数据：直接向目标表新增追加数据，当主键/约束冲突时，会提示错误。 主键冲突时更新：当主键/约束冲突时，会先删除整行主键重复的旧数据，再插入新数据。 覆盖：先删除目标表的数据，再写入数据。 说明 输出数据集选择来源数据集时，加载策略仅支持主键冲突时更新。
   	字段映射	Word解析算子将固定输出以下字段： markdown_url：Markdown文件的存储路径。 image_folder_url：图片文件夹的存储路径。 算子输出字段默认映射至输出数据集的同名字段，您也可以手动选择目标字段进行自定义映射。此外，支持将来源数据集的透传字段映射至目标数据集。您可以通过以下方式管理字段映射： 新增输出字段：单击后新增一行空白字段映射关系。仅输出数据集选择其他数据集时支持此功能。 批量映射：单击后可选择批量手动映射、同名映射或同行映射。仅输出数据集选择其他数据集时支持此功能。 删除映射：单击删除图标可删除对应行的字段映射，但算子固定输出字段的映射不支持删除。

4. 配置完成后，单击画布顶部菜单栏中的保存，保存此次配置。

   单个算子配置完成后，可继续为其选择上游或下游算子来完成完整工作流的配置。

附录：Word元素与Markdown的映射规则